مدل سازی سازمان دهی توپوگرافی در قشر بینایی به کمک شبکه های عصبی با اتصالات جانبی موضعی

در سراسر قشر نخستی سانان، نورون ها با عملکردی مشابه٬ از نظر فضایی در نزدیکی یکدیگر یافت می شوند. در قشر بینایی، این اصل منجر به شکل گیری نواحی قشری می گردد که در هریک، نورون ها به اشیایی از نوع خاص پاسخ می دهند. پیشرفت های اخیر نشان داده اند که فعالیت واحد در شبکه های عصبی مصنوعی (ANN) شباهت قابل توجهی با فعالیت مغز مشاهده شده در پستانداران انسانی و غیر انسانی دارد. با این حال، علی رغم این شباهت ها، شبکه های عصبی مصنوعی قادر به شبیه سازی آرایش سیستماتیک نورون ها در قشر مغز نیستند. تلاش های متعددی برای ادغام سازمان توپوگرافی در شبکه های عصبی مصنوعی صورت گرفته است که بر مهندسی کوواریانس، جریمه کردن طول اتصال یا قوانین یادگیری القاء توپوگرافی متکی است. با این حال، این مدل ها با چندین کاستی حیاتی مواجه هستند، از جمله شکاف قابل توجه در سطح عملکرد، تفکیک بین یادگیری بازنمایی و القای توپوگرافی، و غیرواقع گرایی بیولوژیکی. با الهام از ساختار اتصال جانبی موضعی که قشر بینایی نخستی ها را توصیف می کند٬ ما یک مدل شبکه عصبی توپوگرافیک جدید ارائه کرده ایم که با ترکیب اتصالات جانبی موضعی در معماری شبکه های عصبی کانولوشنال عمیق به این نقص ها می پردازد. ما نشان می دهیم که سازمان دهی توپوگرافی یکنواخت به طور طبیعی در سراسر لایه های مدل های ANN با اتصال جانبی موضعی پدیدار می شود. این امر نشان دهنده آن است که اتصال جانبی موضعی در شبکه های عصبی برای بازتولید سازمان توپوگرافی قشر، بدون نیاز به گنجاندن هدف های آموزشی یا قوانین یادگیری٬ کافی است. علاوه بر این، شبکه های حاصل انعطاف پذیری قابل توجهی در برابر آشفتگی های طبیعی و مصنوعی ورودی شان نشان می دهند، که نشان دهنده نقش احتمالی این اتصالات در یادگیری بازنمایی های مطمئن هستند.