چه تصاویری در ذهن می‌مانند؟! هوش مصنوعی پاسخ می‌دهد!!!
تا به حال شده که از خود بپرسید چرا برخی تصاویر را به یاد می‌آورید و برخی دیگر را به کلی فراموش می‌کنید؟ برخی معتقدند علم اعصاب با کمک هوش مصنوعی، پرده از این راز برداشته است.
رمز و راز حافظه: هوش مصنوعی به ما می‌گوید چرا برخی تصاویر را به یاد می‌آوریم؟
چرا مغز برخی تصاویر را به خاطر می‌سپارد و برخی دیگر را فراموش می‌کند؟ یکی از رازهای بنیادین در علم اعصاب، چگونگی تأثیر ادراک بر حافظه ماست. محققان دانشگاه ییل به تازگی مطالعه‌ای همتا-ارزیابی‌شده در زمینه اعصاب را در مجله «رفتار انسانی در طبیعت» منتشر کرده‌اند که با استفاده از هوش مصنوعی (AI) و علوم رفتاری، به توضیح چرایی ماندگاری تأثیر برخی تصاویر در مغز و فراموشی برخی دیگر می‌پردازد.پژوهشگران ییل، مدلی رايانه‌ای برای تقلید فرآیندهای شکل‌گیری حافظه، یعنی فشرده‌سازی و بازسازی سیگنال‌های بصری، درون کامپیوتر (in silico) طراحی کرده‌اند. به گفته دانشمندان، این مطالعه نشان‌دهنده‌ی کاربرد مفید روان‌فیزیک مبتنی بر مدل است. روان‌فیزیک شاخه‌ای از روانشناسی است که به بررسی رابطه‌ی بین فرایندهای فیزیکی مانند محرک‌ها و فرایندهای ذهنی موجودات زنده می‌پردازد.
نویسندگان ارشد این پژوهش، ایلکر ییل‌دیریم، استادیار روانشناسی و مدیر آزمایشگاه محاسبات شناختی و عصبی، و جان لافتی، مدیر مشارکت‌کننده‌ی مؤسسه‌ی وو تسای، مدیر مرکز محاسبات عصبی و هوش مصنوعی، و استاد آمار و علوم داده‌ی جان سی. مالون، به همراه نویسندگان اول مشترک، دانشجویان فارغ‌التحصیل پیشین ییل، چی لین و زفان لی، اظهار داشتند: «بخش زیادی از آنچه به خاطر می‌آوریم، نه به دلیل انتخاب آگاهانه، بلکه صرفاً محصول جانبی درک ماست.» این امر پرسش بنیادینی را درباره‌ی ساختار ذهن مطرح می‌کند: ادراک چگونه با حافظه ارتباط برقرار می‌کند و بر آن تأثیر می‌گذارد؟محققان همکار ییل یک مدل کدگذاری کم‌تراکم (SPC) ایجاد کردند که آموزش‌دیده بود تا فعال‌سازی‌ها را در یک لایه‌ی خاص از یک شبکه‌ی عصبی عمیق کانولوشنال (DCNN) هوش مصنوعی که برای طبقه‌بندی تصاویر آموزش دیده بود، بازسازی کند. کدگذاری کم‌تراکم روشی در یادگیری ماشین هوش مصنوعی است که اغلب برای تصویربرداری مغزی، پردازش صوت، پردازش تصویر و پردازش زبان طبیعی به کار می‌رود. کدگذاری کم‌تراکم، نمایش کارآمد و فشرده‌تری از داده‌های پیچیده را امکان‌پذیر می‌کند. در این مطالعه، مدل کدگذاری کم‌تراکم از یک لایه‌ی ورودی، یک لایه‌ی میانی برای بازکدگذاری ورودی‌ها و یک لایه‌ی بازسازی برای بازتولید ورودی تشکیل شده بود. مدل کدگذاری کم‌تراکم آن‌ها برای بازسازی فعال‌سازی‌های شبکه‌ی عصبی عمیق کانولوشنال هوش مصنوعی که توسط بیش از ۱۰,۲۰۰ تصویر از مناظر طبیعی فراخوانده شده بود، آموزش داده شد تا خطای بازسازی را به حداقل برساند. خطای بازسازی نه تنها پیش‌بینی‌کننده‌ی دقت حافظه، بلکه زمان واکنش نیز بود.
پژوهشگران ییل خاطرنشان کردند: «ما مشاهده می‌کنیم که بازسازی تصاویر سخت، نسبت به تصاویر آسان برای بازسازی، تمایل بیشتری به داشتن مرکزیت حول اشیاء یا حضور انسان‌ها دارند.»سپس محققان از ۴۵ شرکت‌کننده در مطالعه خواستند تا به سرعت به صحنه‌های طبیعی نگاه کنند و سپس حافظه‌ی آن‌ها را درباره‌ی تصاویری که به خاطر می‌آوردند، مورد سنجش قرار دادند. تصاویری که شرکت‌کنندگان به طور قابل توجهی بیشتر به خاطر می‌آوردند، همان‌هایی بودند که بازسازی آن‌ها برای مدل کدگذاری کم‌تراکم آن‌ها دشوارتر بود. به عبارت خلاصه، تصاویر با خطای بازسازی بزرگ، به یادماندنی‌تر تلقی شدند.دانشمندان این‌گونه نتیجه‌گیری کردند: «این پژوهش، خطای بازسازی را به عنوان سیگنالی مهم در ارتباط ادراک و حافظه، احتمالاً از طریق تعدیل تطبیقی پردازش ادراکی، تثبیت می‌کند.»#هوش_مصنوعی#حافظه#مغز#علم_اعصاب#ادراک#خاطرات#تصاویر_ماندگار#رمز_و_راز_ذهن#مطالعه_جدید#کشف_علمی
04:06 - 17 خرداد 1403
982 بازدید
1 پاسخ