Το Διαδίκτυο και το Μυαλό μας είναι πιο όμοια απ’ όσο νομίζουμε

Παρά το γεγονός ότι, στις μέρες μας, ξοδεύουμε πολύ χρόνο στο διαδίκτυο (ακούγοντας μουσική, βλέποντας βίντεο, κάνοντας χρήση του ηλεκτρονικού ταχυδρομείου και των κοινωνικών μέσων μαζικής ενημέρωσης, διαβάζοντας ειδήσεις κλπ.) λίγοι από εμάς γνωρίζουμε τους μαθηματικούς αλγορίθμους που διαχειρίζονται τον τρόπο προβολής του περιεχομένου μας. Όμως η διαδικασία δρομολόγησης των πληροφοριών, με ασφαλείς και αποτελεσματικές μεθόδους, μέσα από ένα κατανεμημένο σύστημα, χωρίς κεντρική διαχείριση ήταν μια προτεραιότητα για τους ιδρυτές του Διαδικτύου.

Τώρα, μια ανακάλυψη του ινστιτούτου Salk δείχνει ότι ένας αλγόριθμος που χρησιμοποιείται για το Διαδίκτυο, χρησιμοποιείται επίσης από τον ανθρώπινο εγκέφαλο, σαν μια εσωτερική διεργασία που βελτιώνει την κατανόησή μας για τη δομή και λειτουργία των νευρωνικών δικτύων (neural networks) και, ενδεχομένως, (βελτιώνει) ακόμη και μαθησιακές δυσκολίες.

“Οι ιδρυτές του Διαδικτύου αφιέρωσαν πολύ χρόνο εξετάζοντας τους τρόπους να ρέουν οι πληροφορίες αποτελεσματικά», λέει ο Saket Navlakha (Επίκουρος Καθηγητής του Salk, ένας από τους συγγραφείς της νέας μελέτης που δημοσιεύτηκε στην ιστοσελίδα  MIT Neural Computation Journals, στις 9 Φεβρουαρίου, 2017). “Η ανακάλυψη  ότι ένα κατασκευασμένο σύστημα και ένα εξελιγμένο βιολογικό σύστημα χρησιμοποιούν παρόμοιες διεργασίες για να προσεγγίσουν την λύση ενός προβλήματος είναι πολύ ενδιαφέρουσα.”

Στο κατασκευασμένο σύστημα, η λύση προϋποθέτει τον έλεγχο της ροής των πληροφοριών, έτσι ώστε οι διαδρομές να μη είναι αδιέξοδες αφενός  ούτε να γίνεται υποεκμετάλλευση των διαθεσίμων καναλιών ροής, αφετέρου, με συνεχή και αποδοτικό τρόπο ελέγχου της συμφόρησης του Διαδικτύου. Για να επιτευχθεί αυτό, το Διαδίκτυο χρησιμοποιεί έναν αλγόριθμο, που ονομάζεται «Πρόσθετη Αύξηση, Πολλαπλασιαστική Μείωση” (AIMD, Additive Increase, Multiplicative Decrease), σύμφωνα με τον οποίο ο υπολογιστής σας στέλνει ένα πακέτο δεδομένων και στη συνέχεια περιμένει μια επιβεβαίωση από τον δέκτη. Εάν το πακέτο αναγνωρίζεται σωστά, το δίκτυο θεωρείται μη υπερφορτωμένο και τα δεδομένα σας μπορούν να μεταδοθούν μέσω του δικτύου με υψηλότερη ταχύτητα. Με κάθε διαδοχική επιτυχή διεκπεραίωση ενός πακέτου, ο υπολογιστής σας γνωρίζει ότι είναι ασφαλές να αυξήσει την ταχύτητά του κατά μία μονάδα, η οποία αντιστοιχεί στην συνιστώσα  Πρόσθετη Αύξηση του AIMD. Αλλά εάν δεν υπάρξει ορθή επιβεβαίωση ή η επιβεβαίωση καθυστερήσει ή χαθεί ο υπολογιστής σας γνωρίζει ότι υπάρχει συμφόρηση και επιβραδύνει τη ταχύτητα κατά ένα μεγάλο ποσοστό , π.χ. στο ήμισυ, διαδικασία, η οποία αντιστοιχεί στη συνιστώσα Πολλαπλασιαστική Μείωση του AIMD. Με τον τρόπο αυτό, οι χρήστες βρίσκουν σταδιακά το λεγόμενο γλυκό σημείο (sweet spot) τους και η κυκλοφοριακή συμφόρηση αποφεύγεται κατά τον ίδιο περίπου τρόπο που οι οδηγοί στους δρόμους αναζητούν εναλλακτικές διαδρομές μόλις παρατηρήσουν μια επιβράδυνση στη κυκλοφορία. Καθώς οι υπολογιστές σε όλο το δίκτυο χρησιμοποιούν τη στρατηγική αυτή, ολόκληρο το σύστημα μπορεί συνεχώς να αναπροσαρμόζεται στις μεταβαλλόμενες συνθήκες, μεγιστοποιώντας τη συνολική απόδοση.

Ο Saket Navlakha, ο οποίος αναπτύσσει αλγορίθμους για την κατανόηση πολύπλοκων βιολογικών δικτύων, αναρωτήθηκε αν ο εγκέφαλος, με τα δισεκατομμύρια των κατανεμημένων νευρώνων, διαχειρίζεται τις πληροφορίες με τον ίδιο τρόπο. Έτσι, ο ίδιος και ο Jonathan Suen, ένας μεταδιδακτορικός υπότροφος στο Πανεπιστήμιο Duke, ξεκίνησαν τη μελέτη-διαδικασία για το προσδιορισμό ενός μαθηματικού μοντέλου που να περιγράφει τη νευρική δραστηριότητα.

Επειδή ο AIMD είναι ένας από τους πολλούς αλγορίθμους ελέγχου της ροής, το δίδυμο των ερευνητών αποφάσισε να διατυπώσει άλλους έξι αλγορίθμους. Επιπλέον, ανέλυσαν ποιο μοντέλο ταιριάζει καλύτερα με  φυσιολογικά δεδομένα σχετικά με νευρική δραστηριότητα από 20 πειραματικές μελέτες. Στα μοντέλα τους, ο AIMD αποδείχτηκε ότι είναι ο πιο αποτελεσματικός αλγόριθμος στη διατήρηση της ροής των πληροφοριών που διακινούνται ομαλά, προσαρμόζοντας τις ταχύτητες  κυκλοφορίας κάθε φορά που οι διαδρομές παρουσίαζαν συμφόρηση. Το πιο ενδιαφέρον εύρημα  είναι ότι ο AIMD αποδείχτηκε  ότι εξηγεί καλύτερα τι συμβαίνει σε νευρώνες πειραματικά.

Αποδεικνύεται ότι το νευρωνικό ισοδύναμο της  Πρόσθετης Αύξησης ονομάζεται μακρόχρονη ενδυνάμωση. Αυτό συμβαίνει όταν ένας νευρώνας ενεργοποιείται λίγο χρόνο μετά από έναν άλλο, το οποίο ενισχύει τη συναπτική σύνδεση τους και καθιστά ελαφρώς πιο πιθανό το πρώτο να ενεργοποιήσει ξανά το δεύτερο στο μέλλον. Το νευρωνικό ισοδύναμο της  Πολλαπλασιαστικής Μείωσης λαμβάνει χώρα όταν η ενεργοποίηση δύο νευρώνων αντιστρέφεται (ενεργοποίηση δευτέρου πριν από την πρώτο), γεγονός που αποδυναμώνει τη σύνδεσή τους, καθιστώντας μικρότερη την πιθανότητα ενεργοποίησης του δευτέρου από το πρώτο (νευρώνα) στο μέλλον. Αυτό ονομάζεται μακροχρόνια κατάθλιψη. Καθώς οι συνάψεις σε όλο το δίκτυο αποδυναμώνονται ή ενισχύονται σύμφωνα με τον κανόνα αυτό, το όλο σύστημα προσαρμόζεται και μαθαίνει.

«Ενώ ο εγκέφαλος και το Διαδίκτυο λειτουργούν σαφώς με τη χρήση πολύ διαφορετικών μηχανισμών, αμφότεροι χρησιμοποιούν απλούς τοπικούς κανόνες που οδηγούν στην παγκόσμια σταθερότητα», λέει ο Suen. ” Αρχικά ένοιωσα τεράστια έκπληξη όταν διαπίστωσα ότι τα νευρωνικά δίκτυα χρησιμοποιούν τους ίδιους αλγορίθμους όπως τα κατασκευασμένα ομόλογα τους, αλλά, όπως η ερευνητική εργασία αποκάλυψε, οι απαιτήσεις για την απόδοση, την ευρωστία και την απλότητα είναι κοινές και για τους δύο δηλαδή και τους ζωντανούς οργανισμούς και τα δίκτυα που έχουν κατασκευαστεί.”

Η κατανόηση του πώς λειτουργεί το σύστημα (Διαδίκτυο) υπό κανονικές συνθήκες θα μπορούσε να βοηθήσει τους νευροεπιστήμονες να καταλάβουν καλύτερα τι συμβαίνει όταν αυτά τα αποτελέσματα δείχνουν σημάδια δυσλειτουργίας, για παράδειγμα, σε μαθησιακές δυσκολίες. «Παραλλαγές του αλγορίθμου AIMD χρησιμοποιούνται ουσιαστικά σε κάθε μεγάλης κλίμακας κατανεμημένο δίκτυο επικοινωνίας», λέει ο Navlakha. «Ανακαλύπτοντας ότι ο εγκέφαλος χρησιμοποιεί ένα παρόμοιο αλγόριθμο δεν μπορεί να είναι απλά μια σύμπτωση.”

*********

Νίκος Δαβίδ

M.Eng in Electrical Engineering

Leave a Reply

%d bloggers like this: