Parallell bearbetning

När hjärnan lär sig en ny motorisk färdighet bildar neuroner kretsar som aktiverar kroppens muskler för att utföra det. Men samma distribuerade nätverk styr relaterade motoriska uppgifter, så när du försöker lära dig många färdigheter på en gång kan nya modifieringar av befintliga mönster störa tidigare inlärda färdigheter.

Det här är särskilt knepigt när man lär sig mycket liknande saker, säger institutsprofessor Emilio Bizzi. En ny beräkningsmodell som han och McGovern Institute-forskaren Robert Ajemian utvecklat förklarar hur hjärnan löser detta problem.

Hjärnan är massivt parallell, och varje neuron ansluter till cirka 10 000 andra i genomsnitt. Detta kan få störningar att verka mer sannolikt än det är i vanliga datorchips, som bearbetar data seriellt och lagrar instruktioner för varje uppgift på en separat plats.

Men den anslutningen gör att hjärnan kan testa många möjliga lösningar för att uppnå kombinationer av uppgifter. Neuroner förändrar ständigt styrkan hos dessa anslutningar, en egenskap som kallas hyperplasticitet. De får också ungefär lika mycket värdelös information som användbar input från sina grannar.

Utan det mycket låga signal-brusförhållandet skulle den hyperplastiska hjärnan skriva över befintliga minnen för lätt. Men utan hyperplasticitet skulle bruset överrösta de små förändringarna i anslutningsmöjligheterna, vilket gör det omöjligt att lära sig nya färdigheter.

Din hjärna försöker alltid hitta de konfigurationer som balanserar allt så att du kan göra två uppgifter, eller tre uppgifter, eller hur många du än lär dig, säger Ajemian. Det finns många sätt att lösa en uppgift, och du utforskar alla olika sätt.

Dölj