Giới thiệu chung về mô hình Nơ-ron điện tử

Trong chương 3 và 4, chúng ta đã nói đến các thuộc tính có tính điện của các mô có thể kích thích – dây thần kinh và tế bào cơ. Trong đó, chúng ta đã sử dụng các công thức để mô tả các mạch điện tương đương của màng tế bào cũng như là sử dụng các mạch điện tử thụ động để biểu diễn các thông số của mô. Từ các công thức đó và các mạch điện tử, chúng ta có các công thức sau:

1. Công thức Nernst (Công thức 3.21), công thức này biểu diễn điện áp màng tế bào yêu cầu để làm cân bằng thông lượng ion truyền qua màng tế bào với các tỉ lệ nồng độ tồn tại thực của các loại ion khác nhau. Bởi vì công thức Nernst đánh giá được lực chuyển dời ion do gradient nồng độ coi như là hiệu điện thế [V], nên nó có thể được biểu diễn trong mạch điện tương đương như là một pin.

2. Mô hình cáp của sợi trục thần kinh, bao gồm các điện trở bên ngoài và bên trong cũng như các thông số điện của màng tế bào. Mạch tương đương có thể sử dụng để tính toán cho các công thức cáp tổng quát của sợi dây thần kinh, mô tả các đáp ứng điện áp truyền màng tế bào với các kích thích dòng điện cố định. (Công thức 3.45). Các công thức biến đổi theo thời gian mô tả phản ứng của điện áp màng tế bào do các kích thích xung rời rạc cũng là một phần đáng quan tâm. Điều này được mô tả trong hình 3.11. Mạch điện tương đương đối với công thức dẫn suất của công thức cường độ - thời gian, công thức 3.58 được biểu thị trên hình 3.12.

3. Các mạch điện tương đương mô tả các phản ứng của sợi thần kinh, dưới các điều kiện truyền xung thần kinh hay dưới các điều kiện kẹp điện áp hoặc kẹp không gian, được thể hiện trên hình 4.1, 4.2, và 4.3; tương ứng với các công thức 4.1, 4.2, và 4.3.

4. Mạch điện tử cho các mô hình dẫn song song của màng tế bào, bao gồm các đường dẫn cho Na, K và các ion Cl được mô tả trên hình 4.10, và được thể hiện trong công thức 4.10. Công thức này gồm các thành phần điện thụ động: điện dung màng tế bào, điện thế Nernst đối với Na, K, và Cl cũng như là độ dẫn dò. Xa hơn, mạch điện gồm các phần tử tích cực, độ dẫn Na, K, khi đó được mô tả bởi công thức Hodgkin-Huxley (công thức 4.12-4.24).

Do đó, những hiểu biết của chúng ta về phản ứng điện của các mô có thể kích thích được và các phương pháp mô tả gắn chặt với các khái niệm về mạch điện tử và tới các công thức biểu diễn các phản ứng của chúng. Từ các điểm chuẩn này, người ta có thể tiến hành các phương pháp nhận biết các mạch điện tử tương đương về mặt vật lý cho các mô có khả năng kích thích. Việc nhận biết bản chất vật lý của các mạch điện tử tương đương của các mô có khả năng kích thích có hai mục đích:

1. Nó cho chúng ta cơ hội để xác minh lại các mô hình mà chúng ta đã xây dựng có phản ứng thực sự giống với mô có khả năng kích thích không, cái mà chúng ta quan tâm và đó chính là các mô hình chính xác. Nếu trong trường hợp phản úng của mô hình không chính xác thì chúng ta có thể điều chỉnh lại các thông số để cải thiện và nâng cấp các hiểu biết chính xác mà chúng ta có được về các mô có khả năng kích thích. Việc phân tích các phản ứng của mô có khả năng kích thích là một mục đích tổng quát nhất của các công việc liên quan tới việc xây dựng mô hình.

2. Tại đây cũng tồn tại khả năng xây dựng hoặc tổng hợp các mạch điện tử mà các phản ứng của nó tương tự như mô thần kinh và nó cũng thực hiện xử lý thông tin tương tự như quá trình xử lý thông tin thực tế đang diễn ra. Trong hầu hết các dạng mô hình tiên tiến thì nó được gọi là quá trình tính toán nơron.

Ở mục 7.3 chúng ta đã đề cập đến khái niệm mô hình một cách tổng quát. Các mô hình khác nhau đã được đưa ra ở Miller (1992). Trong chương này, chúng ta đặc biệt nhắc đến mô hình noron điện tử, triển khai các ví dụ của mô hình để chỉ ra các thuộc tính điện của noron tế bào thần kinh. Các mô hình nơron điện tử dễ hiểu hơn đã được xây dựng từ các thành phần điện tử riêng rẽ có lẽ được tìm ra tại Malmivuo (1973) và Reiss (1964).

Chúng ta chú ý rằng sự minh họa của các mạch điện tử cùng với các bộ tính toán số là một cách khác để nghiên cứu các phản ứng của các mô hình điện tử. Mặc dù trong thực tế thì mô hình nơron thần kinh là một vấn đề rất quan trọng bởi vì nó là cầu nối để xây dựng các mạch điện tử và nó cũng lại là các thành phần của máy tính nơron.

Ứng dụng quan trọng nhất của mô hình nơron điện tử là máy tính nơron. Mặc dù chủ đề này không nằm trong phạm vi của cuốn sách này và các lý thuyết về mạng nơron và máy tính nơron, chúng ta chỉ mô tả một cách tóm tắt và đưa ra một số tham khảo cho chủ đề này mà thôi. Ở Hecht-Nielsen (1988), người ta đã giới thiệu ngắn gọn và súc tích về nó.

Trong các máy tính noron thế hệ đầu tiên thì chúng được gọi là bộ não điện tử. Tại thời điểm đó, khoa học công nghệ phát triển một cách mạnh mẽ đã làm cho các bộ não điện tử này càng ngày càng tiến bộ rất nhanh và đi kèm với nó là một hệ thống lý thuyết có liên quan chính là trí tuệ nhân tạo. Bằng cách sử dụng lý thuyết nghiên cứu về trí tuệ nhân tạo, người ta đã tạo ra các hệ thống chuyên nhiệm rất hữu ích, các chương trình tính toán và hiện nay trên thế giới chì còn vài hạn chế là tốc độ xử lý và các hệ thống nhận biết đánh giá các thông số thông minh mà thôi. Người ta đã đưa ra các tiêu chí về trí tuệ nhân tạo để nhận biết nó rõ hơn từ cách đây 30 năm.

Nếu chúng ta xây dựng được một bộ não điện tử thì nó phải có khả năng học hỏi giống như bộ não sinh học và bắt chước tự nhiên. Các não thật, mặc dù ở mức thô sơ nhưng cũng có cấu trúc rất phức tạp. Não người có khoảng 10^11 nơron, mỗi noron có khả năng lưu trữ hơn 1 bit dữ liệu.

Máy tính ngày càng có bộ nhớ lớn, thoải mái hơn. Trong khi, thời gian thực hiện chương trình máy tính cỡ nano giây thì động vật có vú xử lý thông tin cỡ mili giây. Tuy nhiên tốc độ này thua xa hệ thần kinh người với cấu trúc song song lớn, ở đó, từng nơron xử lý thông tin và có số lượng rất lớn kết nối tới nơron khác. Ngày nay, người ta đang tạo ra những máy tính đa xử lý, nhưng để cho chúng hoạt động hiệu quả như mong đợi, chúng ta cần hàng nghìn vi xử lý hoạt động, đây vẫn là thách thức lớn đối với khoa học máy tính.