Yeni bir çalışma, zekanın daha hızlı düşünmekle eşdeğer olduğu fikrini çürütüyor ve bunun yerine, daha yüksek akıcı zekaya sahip kişilerin, daha derin kanıtları değerlendirmeye ve problem çözmeye olanak tanıyan beyinlerinin senkronize etkinliği nedeniyle karmaşık problemler üzerinde daha fazla zaman harcadıklarını ortaya koyuyor. çözme. Kredi: Petra Ritter
Zeki insanlar problem çözerken diğerlerinden daha hızlı mı düşünürler? Berlin Charité Üniversitesi’ndeki İnsan Beyni Projesi’nden araştırmacıların ve Barselona’daki Pompeu Fabra Üniversitesi’ndeki ortaklarının yeni bulguları, istihbarat araştırmaları alanındaki bu köklü inancı sorguluyor.
Araştırmalarının sonuçları yakın zamanda Nature Communications dergisi.
Biyolojiden ilham alan bir yaklaşım benimseyerek 650 kişiselleştirilmiş beyin ağı modeli (BNM’ler) oluşturdular. Bunlar, Human Connectome Projesi’nden toplanan veriler kullanılarak oluşturuldu ve ekibin, problem çözme sırasında beynin geçirdiği süreçleri simüle etmesini sağladı.
Beyin simülasyonlarından elde edilen gözlemler, bu testi alan 650 katılımcının ampirik verileriyle karşılaştırıldı. -Penn Matrix Akıl Yürütme Testi (PMAT), giderek zorlaşan bir dizi örüntü eşleştirme görevinden oluşur. Bunların sonuçları, katılımcıların yeni durumlarda zor kararlar alma yeteneği olarak kabaca tanımlanabilecek akıcı zekasına (FI) göre ölçüldü.
“İnsanların akıcı zekada (FI) daha yüksek puan aldığını bulduk. Daha zor görevleri çözmek, daha düşük FI’lı insanlara kıyasla daha fazla zaman aldı. Çalışmanın kıdemli yazarı Charité Üniversitesi’nden Petra Ritter, “Sadece basit sorulara yanıt verirken daha hızlıydılar” diye açıklıyor. “Bunu önce simülasyonlarımızda gözlemledik ve ancak daha sonra zeka testlerine giren katılımcıların ampirik verilerinin bu eğilime karşılık geldiğini gördük.” Ritter’in laboratuvarı ve HBP’deki diğer birçok araştırma grubu, beynin nasıl çalıştığına dair teorik bir çerçeve geliştirmek amacıyla gözlemsel verileri tamamlamak için beyin simülasyonunu kullanır.
Bu durumda, beyin simülasyonu, arasındaki bağlantıyı belirlemek için kullanılmıştır. beyindeki işlevsel ve yapısal bağlantı ve bilişsel performans. Daha senkronize bir beyin problem çözmede daha iyidir, ancak daha hızlı olması gerekmez. Ritter, “Senkronizasyon azaldıkça, beyindeki karar verme devreleri sonuçlara daha hızlı atlarken, beyin bölgeleri arasındaki daha yüksek senkronizasyon, kanıtların daha iyi entegrasyonuna ve daha güçlü işleyen belleğe olanak tanır” diyor. “Sezgisel olarak bu o kadar da şaşırtıcı değil: Daha fazla zamanınız varsa ve daha fazla kanıt üzerinde düşünürseniz, problem çözmeye daha fazla yatırım yapar ve daha iyi çözümler bulursunuz. Burada bunu sadece ampirik olarak göstermiyoruz, gözlemlenen performans farklılıklarının nasıl kişiselleştirilmiş beyin ağı modellerindeki dinamik ilkelerin bir sonucu olduğunu da gösteriyoruz. Böylece, insan zekası hakkında yaygın bir kanıya meydan okuyan yeni kanıtlar sunuyoruz.”
Her ikisi de zeka için önemli olan, daha önce oluşturulmuş yerel çalışan bellek (WM) ve karar verme (DM) devre modelleri The Virtual’a takıldı İkincisi tüm beyin düzeyinde bir simülasyon sağlayan Beyin (TVB).
Simülasyonlar, çok ölçekli bir beyin modelleme yaklaşımı kullanılarak çalıştırıldı; beyin görüntüleme verileri, otomatik kapsayıcılı ardışık düzenlerle işlendi. Son derece hassas beyin verilerinin işlenmesi, EBRAINS Sağlık Veri Bulutunun güvenli bir Sanal Araştırma Ortamında gerçekleştirildi. Bu teknolojilere EBRAINS aracılığıyla küresel araştırma topluluğuna erişilebilir.
Çalışmanın nihai amacı, ne kadar hızlı düşünmeniz gerektiğini bulmak değil, biyolojik ağların biyoteknolojinin geliştirilmesi için karar vermeyi nasıl belirlediğini anlamaktır. ilham alan araçlar ve robotik uygulamalar. Bu nedenle, akıllı karar vermenin beyin dinamiklerini modellemek, akıllı uygulamalar oluşturmak için umut verici bir yaklaşımdır. “Biyolojik olarak daha gerçekçi modellerin klasik A.I.’den daha iyi performans gösterebileceğini düşünüyoruz. gelecekte,” diyor Ritter.
Referans: “Biyo-ilhamlı bilgi işlem için ağ yapısının karar vermeyi nasıl şekillendirdiğini öğrenmek” yazan Michael Schirner, Gustavo Deco ve Petra Ritter, 23 Mayıs 2023, Nature Communications.{ 7} DOI: 10.1038/s41467-023-38626-y