Meva pashshasi maxsus soni 3: Minecraft ichidagi meva pashshasi miyasi — faqat ulanish sxemasi bilan harakatlanadigan nerv tizimi

Bu oʻyin nima qiladi — uchta tarkibiy qism birlashtirilgan

Minecraft olamiga bitta meva pashshasi mobi qoʻshiladi va uning boshida haqiqiy meva pashshasi nerv tizimi butunligicha ishga tushiriladi. Mob nimani koʻrishi, hidlashi va tatib koʻrishi haqiqiy sezgi neyronlarini qoʻzgʻatadi, haqiqiy tushuvchi va motor neyronlar faolligi oʻqilib, mob harakatlantiriladi. Har bir meva pashshasi oʻz miyasini oʻz oqimida (thread) real vaqtda ishga tushiradi.

1-qism · Ulanish sxemasiErkak meva pashshasining butun nerv tizimi konnektomi

Miya va qorin nerv tizimchasini (hasharotlarning orqa miyasi) birlashtirgan butun markaziy nerv tizimi. 2026-yil 3-sentabrda Cell jurnalida chop etilgan Berg va boshq. maqolasining ochiq maʼlumotlaridan (neuPrint male-cns:v1.0) foydalanilgan. Mod maqola chiqqan kunning oʻzida yaratilgan.

2-qism · Neyron modeliBarcha neyronlar bir xil «sizib integrallab otish» elementi sifatida

Shiu va boshq. (2024) Nature maqolasida meva pashshasining butun miyasini simulyatsiya qilishda qoʻllangan usulga aynan amal qilingan. Har bir neyron uchun alohida sozlangan qiymat yoʻq, ulanishdagi sinapslar soni — ulanish kuchining oʻzi.

3-qism · Tana va olamMinecraft olami va mobning tanasi

Olma, tort, oʻrgimchak koʻzlari, yomgʻir, otilib kelayotgan oʻyinchi sezgi kirishiga aylanadi, miya bergan buyruqlar esa yurish, yeyish, sakrash, tozalanish kabi mob harakatlariga aylanadi. Bu qismni odamlar qoʻlda yasagan.

Minecraft ekrani: uchayotgan meva pashshasi mobi, chapda nerv tizimi xaritasi, oʻngda neyroskop paneli — **Haqiqiy oʻyin ekrani.** Oʻrtada meva pashshasi mobi (Fly-1 ♂), chapda B tugmasi bilan ochiladigan «miya xaritasi» (tepada: koʻrish boʻlaklari va miya, pastda: qorin nerv tizimchasi), oʻngda H tugmasi bilan ochiladigan «neyroskop» (harakat kanallari, neyron guruhlarining otish chastotasi, har tikdagi spayklar, toʻr parda). Quyidagi xatti-harakatni kuzatish boʻlimi shu panelga taqlid qiladi.

Konnektomdan rangli shisha bloklar bilan qurilgan inshoot: chapda miya, oʻngda qorin nerv tizimchasi — **Bloklardan qurilgan konnektom.** `/flybrain build` buyrugʻi hujayra tanasi joylashuvi tiklangan 141,781 ta neyronni sohalar boʻyicha rangli shisha bloklardan quradi. Ulangan mobning neyroni otganda tegishli blok dengiz chirogʻi (sea lantern) boʻlib yarqiraydi.

Bir jumlada

Oldingi ikki sahifa «tajriba orqali ulanish kuchini tuzatish»ni neyron tarmoqning asosi deb bilgan boʻlsa, bu mod «ulanish kuchini ulanish sxemasidan aynan olsak, qayergacha yetish mumkin» degan savolni sinaydi. Oʻqitish yoʻq. Odam belgilagan sonlar ham kam. Eng muhimi — barcha ulanishlarga koʻpaytiriladigan umumiy kuchaytirish 0.65; bundan tashqari Kenyon hujayralari kirishi uchun 0.25 baravar koeffitsiyent va «5 tadan kam sinapsli ulanishlar olib tashlanadi» degan mezon bor.

Bu oʻyin tayangan meva pashshasi tadqiqotlari

Repozitoriydagi README va maʼlumotnoma hujjatida (REFERENCE.md) keltirilgan tadqiqotlarni vazifasiga koʻra guruhladik. Asosiylari ikkita: nima ulangan — Berg va boshq. (2026), qanday ishga tushiriladi — Shiu va boshq. (2024) tomonidan belgilangan.

Asosiy ① · Ulanish sxemasi

Berg va boshq. (2026) Erkak meva pashshasi butun markaziy nerv tizimining konnektomi

Miya va qorin nerv tizimchasini bitta elektron mikroskop tasvirida suratga olib, barcha neyron va sinapslarni bogʻlab chiqdi. Shuningdek, erkak va urgʻochi miyasini sinaps darajasida birinchi marta solishtirgan tadqiqot.

Cell 189(18):5504–5526 · doi:10.1016/j.cell.2026.08.015

Asosiy ② · Neyron modeli

Shiu va boshq. (2024) Meva pashshasi butun miyasining hisoblash modeli

FlyWire urgʻochi miya ulanish sxemasidagi barcha neyronlarni sizib integrallab otish elementi sifatida ishga tushirib, shakar taʼmi → xartumni choʻzish kabi sezgi-harakat yoʻllarini bashorat qildi va tajribada tasdiqladi. Mod ishlatadigan neyron formulasi va sonlar aynan shu maqoladan olingan.

Nature 634:210–219 · doi:10.1038/s41586-024-07763-9

Maʼlumot vositasi

Plaza va boshq. (2022) neuPrint

Konnektomga soʻrov yuborish uchun ochiq vosita. Mod ishlatadigan neyron nomlari (DNp01, MN9 …) hammasi neuPrint hujayra turlari nomlari, shuning uchun ekrandagi neyronni internetda darhol topish mumkin.

Front. Neuroinform. 16:896292

Sezgi tomonidagi hamroh maqolalar

Koʻrish tizimi · Taʼm konnektomi

Nern va boshq. (2025) koʻrish tizimining toʻliq roʻyxati, Hoeller va boshq. (2026) koʻrish yoʻllari, Tastekin va boshq. (2026) taʼm-oziqlanish konnektomi. Oʻyin kirishini qaysi sezgi neyronlariga berishni aniqlashda foydalanilgan.

Nature 641 · Cell 189(18), 2 ta maqola

Harakat tomonidagi asoslar

Tushuvchi neyronlar va xatti-harakat

Yurish va toʻxtash (Sapkal 2024), burilish (DNa02), gigant tola va yaqinlashayotgan narsadan qochish (von Reyn 2014, Ache 2019), qoʻnish (Ache 2019), moʻylovni tozalash (Hampel 2015), qanot qoqish kuchi (Namiki 2022). Neyron faolligini mob harakatiga aylantirish qoidalarining asosi.

Nature · Nat Neurosci · eLife · Curr Biol

Qorin nerv tizimchasi · Jinsiy zanjirlar

MANC konnektomi va jinsiy dimorf zanjirlar

Takemura va boshq., Marin va boshq. (2024), Cheong va boshq. (2026) erkak qorin nerv tizimchasi tadqiqotlari, Rubin va boshq. (2026) erkaklarga xos neyronlar (pC1, P1) tadqiqoti. Bular sevgi qoʻshigʻi ulanishining asosi, lekin bu funksiya hali namoyish etilmagan.

eLife 13 · Curr Biol (2026)

Sonlar nega biroz farq qiladi. Maqola annotatsiyasida tekshirib tuzatilgan neyronlar soni 166,700 ta deb hisoblangan. Mod esa neuPrint maʼlumotlar toʻplamidan yuklangan 176,422 ta yozuvning barchasini simulyatsiya qiladi va ulardan hujayra tanasi joylashuvi tiklangan 141,781 tasini blok inshoot sifatida quradi. Farq hisoblash mezonlari turlicha boʻlganidan kelib chiqqanga oʻxshaydi.

Oldingi sahifa bilan bogʻliqlik. ①-sahifada keltirilgan FlyWire (2024) konnektomi — Shiu va boshq. (2024) foydalangan urgʻochi miya ulanish sxemasining aynan oʻzi. Bu mod xuddi shu usulni kattaroq erkak nerv tizimiga (miya + qorin nerv tizimchasi) koʻchirib qoʻllagan.

Miyadan qorin nerv tizimchasigacha — oʻyindagi signal oʻtadigan yoʻl

Oldingi sahifadagi 3D miyaga qorin nerv tizimchasi (pastdagi choʻziq boʻlak), boʻyin va xartum qoʻshildi. Chunki bu mod faqat miyani emas, oyoq va qanotlarni harakatlantiruvchi motor neyronlarni ham ishga tushiradi. Sahnani tanlasangiz, yashil signal haqiqiy ulanish yoʻli boʻylab yuradi. Bu haqiqiy anatomik maʼlumot emas, sxematik model.

Sahna

Soha tavsifi

Bitta neyronning hisobi — teshik chelakka suv quyish

170 ming neyronning hammasi aynan shu bitta elementdan iborat. Kirish spayki kelsa kuchlanish oshadi, tinch qoʻyilsa tinchlik kuchlanishiga qarab sizib tushadi. Ostonadan (−45 mV) oshsa spayk otadi va darhol −52 mV ga qaytadi. Bu ①-sahifadagi «oʻta sodda model» y = [w·x ≥ θ] ga vaqt va sizish qoʻshilgan koʻrinishi.

Kirish neyronining otish chastotasi

Bitta ulanishdagi sinapslar soni

Umumiy kuchaytirish

①-sahifadagi sunʼiy neyron

Kirish × ogʻirlik yigʻindisi ostonadan oshsa 1, aks holda 0. Vaqt yoʻqligi sababli kirish kelgan zahoti javob chiqadi. Ogʻirliklar oʻqitish orqali aniqlanadi.

Ushbu mod ishlatadigan sizib integrallab otish neyroni

Kirish vaqt davomida yigʻilib, sizib ketadi. Shuning uchun «qanchalik tez-tez va qanchalik bir vaqtda» kelishi muhim. Ogʻirlik ulanish sxemasidagi sinapslar soni × 0.275 mV × kuchaytirish 0.65 sifatida qatʼiy belgilangan.

Qoʻzgʻalish va tormozlanish qanday aniqlanadi — ishora ham ulanish sxemasidan

Ulanishning ishorasi neyron chiqaradigan neyromediatorga qarab aniqlanadi. Atsetilxolin, dofamin, serotonin va boshqalar qoʻzgʻatuvchi (+), GABA, glutamat, gistamin esa tormozlovchi (−). Bitta neyronning barcha chiqishlari bir xil ishorali boʻladi (Deyl qoidasi). Natijada 116,390 ta qoʻzgʻatuvchi va 60,032 ta tormozlovchi neyron hosil boʻladi. ①-sahifa xulosa jadvalidagi «tormozlovchi sinaps — manfiy ogʻirlik» qoidasi bu yerda toʻgʻridan-toʻgʻri ulanish sxemasidan kelib chiqadi.

Xatti-harakatni kuzatish paneli — stimul berish, neyronlarni koʻrish, xatti-harakatni oʻqish

Mod ichidagi «neyroskop» (H tugmasi) ekraniga taqlid qilingan. Sahnani tanlasangiz, sezgi neyronlari qoʻzgʻatiladi, signal oraliq neyronlardan oʻtadi, tushuvchi va motor neyronlarning otish chastotasi dekoderning ustuvorlik narvonidan oʻtib xatti-harakatga aylanadi. Ustunlardagi och rangli polosa — repozitoriy tekshiruv yozuvidagi (VALIDATION.md) haqiqiy oʻlchov oraligʻi.

Sahna

Minecraft olami→ Sezgi neyronlari · Puasson spayklari→ Miya · 50 ms hisob→ Tushuvchi va motor neyronlar otishi→ Dekoder · ustuvorlik→ Mob xatti-harakati

Neyron guruhlarining otish chastotasi (Hz)

Dekoderning ustuvorlik narvoni (chapdagisi eng kuchli)

Dekoder xatti-harakatni qanday tanlaydi

21 ta buyruq kanali (oldinga, yoʻnalish, orqaga, toʻxtash, sakrash, yeyish, tozalanish …) neyron guruhlarining otish chastotalarini qoʻshish orqali hosil qilinadi. Ikki yoki undan ortigʻi bir vaqtda yonsa, qochish > qoʻnish > uchish > keskin toʻxtash > toʻxtash > orqaga > oldinga > yeyish > tozalanish > qoʻshiq tartibida ustun keladi. Boshlangan xatti-harakat kamida 250 ms davom etadi va faqat ostonaning yarmidan pastga tushgandagina toʻxtaydi. Qaysi neyron yonishini ulanish sxemasi belgilaydi, ammo bu narvon va ostonalarni odamlar belgilagan.

Eng muhim sozlash dastagi — umumiy kuchaytirishni moslash

Shiu va boshq. taklif qilgan bir sinaps uchun 0.275 mV qiymati urgʻochi miyaga (FlyWire) moslangan. Erkak nerv tizimida har bir neyronga koʻproq sinaps toʻgʻri keladi, shuning uchun bu qiymat oʻzgarishsiz ishlatilsa butun tarmoq haddan tashqari qoʻzgʻaladi. Shu sababli barcha ulanishlarga koʻpaytiriladigan yagona kuchaytirish koeffitsiyenti maqoladagi usul bilan qayta sozlandi.

Kuchaytirish

Ushbu mod ichida

Uchala shartni qanoatlantiradigan qiymatlar orasidan eng kichik kuchaytirish tanlandi. ① Shakar kirishi xartum motor neyronini ishonchli yoqadi. ② Tozalanish va qochish yoʻllari barqaror. ③ Oʻrganish markazidagi Kenyon hujayralari jim turadi. 0.55 da yeyish kuchsiz, 0.75 da esa faollik nazoratdan chiqib ketadi.

Chuqur oʻrganish tilida aytsak

Alohida ogʻirliklarga tegmasdan, initsializatsiya kattaligi kabi giperparametrni tekshiruv tajribalari orqali tanlaganga oʻxshaydi. Kenyon hujayralari uchun 0.25 baravar koeffitsiyent ham faqat maʼlum bir qatlamga koʻpaytirilgan tuzatish qiymatiga toʻgʻri keladi. Qiymat juda katta boʻlsa, qatlamdan qatlamga oʻtgan sari aktivatsiyalar oʻsib boradigan «portlash» yuz berishi ham chuqur neyron tarmoqlardagi bilan bir xil.

Nimalar ulanish sxemasidan kelib chiqadi, nimalarni odamlar yasagan

Bu repozitoriyning eng yaxshi tomoni — chegarani oʻzi aniq chizib qoʻyishi. README da «bu loyihaning mohiyati — oxirgi ustunda (manba) halol boʻlish» deb yozilgan. Har bir xatti-harakatga emerjent (ulanish sxemasidan oʻz-oʻzidan), qoʻlda (odam yasagan oʻrinbosar), aralash belgisi qoʻyilgan.

«Emerjentlik» doirasiga eʼtibor bering. Bu yerda emerjentlik «shu kompyuter modeli ichida qoidasiz paydo boʻldi» degan maʼnoni anglatadi. Bu haqiqiy erkak meva pashshasida tasdiqlangan natija emas, balki oʻyinsiz faqat modelni ishga tushirgan avtomatik sinov (bench) natijasi. Shu yoʻllarning bir qismini (shakar → MN9, tozalanish) Shiu va boshq. (2024) urgʻochi miya modelida bashorat qilib, hayvonlarda tajriba bilan tasdiqlagan.

Xatti-harakat	Oʻyindagi qoʻzgʻatuvchi	Ulanish sxemasidagi yoʻl	Manba

Ulanish sxemasidan oʻz-oʻzidan chiqadiganlar

Qaysi sezgi naqshida qaysi tushuvchi va motor neyronlar yonishi · achchiq taʼmning harakatdan oldingi bosqichda yeyishni oʻchirishi · chap-oʻngga burilishdagi assimetriya · oldinga va orqaga yurishning bir-biriga qarama-qarshiligi · gigant tolaning bitta spayk bilan sakrash qarori · tozalanadigan joyni tanlash

Odamlar yasagan oʻrinbosarlar

Toʻr pardani chizish va yorugʻlikka moslashish · hid xaritasi va masofa bilan susayish · otish chastotasini blok/soniyaga aylantirish koeffitsiyenti · ostonalar va ustuvorlik narvoni · uchish va qoʻnish fizikasi · yaqinlashish signalini LC4 va LPLC2 ga toʻgʻridan-toʻgʻri berish · Kenyon hujayralari kirishini 0.25 baravarga kamaytirish · hid tomon yurish refleks qatlami

Maʼlum cheklovlar (repozitoriy hujjatlari). Barcha neyronlar bir xil qiymatlardan foydalanadi · hid sezilganda moʻylov boʻlagi toʻyinib qoladi va yoʻnalish signali boʻlmaydi · medullaning harakat yoʻli (T4·T5) jim · neyromodulyatorlar, neyropeptidlar, elektr sinapslar va spontan faollik yoʻq · 5 tadan kam sinapsli ulanishlar olib tashlangan · urgʻochilar ham erkak miyasidan foydalanadi · otish chastotasining mutlaq qiymatiga ishonmang, faqat qaysi guruh javob berayotgani naqshiga qarang.

Boshqa sohaga koʻchirish — bu mod dizaynini boshqa AI tizimlari bilan solishtirsak

Bu mod neyrobiologiya loyihasi, ammo uning dizayni bugungi AI tizimlariga koʻp jihatdan oʻxshaydi. Generativ AI ni oʻrganayotgan yoki oʻrgatayotganlar, shuningdek ish joyiga AI joriy qilmoqchi boʻlganlar uchun mosliklarni jamladik.

Generativ AI tilida aytsak

Oʻz tizimingizga koʻchirish — qoidalar va oʻqitishni aralashtirib ishlatadigan joylar uchun

Oʻxshatishning chegaralari. Katta til modellarining ogʻirliklarini odam loyihalamaydi, ular maʼlumotlardan oʻrganiladi; bu modning ogʻirliklari esa haqiqiy hayvon ulanishlarini oʻlchab olingan. «Qatʼiy ogʻirliklar bilan faqat xulosa chiqaradi» degan tashqi koʻrinish bir xil, xolos — ogʻirliklar qayerdan kelgani mutlaqo qarama-qarshi. Ustuvorlik narvoni ham agentlarning vosita tanlashidan farqli oʻlaroq, tilni tushunmasdan faqat otish chastotalarining kattaligini solishtiradi.

Uch ishni taqqoslash — bir xil meva pashshasi, turli savollar

①-sahifa — neyron tarmoqlarga kirish, ②-sahifa — xotirani chaqirib olish maqolasining tasviriy tahlili, va mana bu Minecraft modi. Uchalasi ham «sezgi → miya → xatti-harakat» zanjiri boʻylab boradi, ammo nimani haqiqiy holicha qoldirib, nimani soddalashtirishi bilan farq qiladi.

Uch ishning oʻrni

Umumiy mavzuni tanlang

Chapdagi xaritani qanday oʻqish kerak

Gorizontal oʻq — haqiqiy ulanish sxemasidan qanchalik aynan foydalaniladi, vertikal oʻq — tajriba orqali ulanishlarni tuzatish qanchalik markaziy oʻrinda. Oldingi ikki sahifa chap yuqorida, mod esa oʻng pastda joylashgan. Oʻng yuqori qism, yaʼni haqiqiy ulanish sxemasi ustida oʻqitiladigan modellar endigina boshlangan soha. Yorqin misol — Lappalainen va boshq. (2024) Nature: ular meva pashshasi koʻrish tizimidagi harakat yoʻlining 64 ta hujayra turi orasidagi haqiqiy ulanishlarni oʻzgarishsiz qoldirib, faqat nomaʼlum neyron va sinaps qiymatlarini chuqur oʻrganish bilan oʻqitgan. Bu modelning bashoratlari 26 ta tadqiqotdagi oʻlchovlarga mos keldi. Bu — aynan ushbu mod jim qoldirgan yoʻl (T4·T5). Biroq butun miya va tanani birga ishga tushirib, oʻqitish va neyromodulyatsiyani ham qoʻshgan model hali yoʻq.

Bandlar boʻyicha taqqoslash jadvali

Oʻxshash jihatlar

Farqlar

Model tuzilmalarini taqqoslash — bu sahifadagi model va MLP · RNN · GRU · LSTM · CNN

Tugmalarni bosib, oltita tuzilma diagrammasini almashtirib koʻring. Yashil chiziqlar — oʻqitiladigan ulanishlar, punktir — qatʼiy ulanishlar, toʻq sariq strelkalar — vaqt boʻylab oʻtadigan xotira. Barcha diagrammalar prinsipni koʻrsatuvchi sxematik chizmalardir.

Oltita tuzilmani bir qarashda taqqoslash

Oʻqitiladigan ulanishlar / jami ulanishlar (kirish 16×16, 3 ta sinf)

Kulrang ustun = jami ulanishlar, rangli ustun = oʻqitiladigan ulanishlar. Chuqur oʻrganish modellarida hammasi oʻqitiladi, meva pashshasi modellarida esa ulanishlarning aksariyati qatʼiy. Quyidagi Oʻqitgich va Umumiy boʻlim A dagi Kod 2 xuddi shu sonlarni hisoblaydi.

Oxirgi qatordagi dalil darajasi: Haqiqiy zanjir · oʻlchov model haqiqiy zanjirni koʻchirgan · Tuzilishi oʻxshash ulanish shakli oʻxshash degani, bir xil hisob bajaradi degan dalil emas · Erkin oʻxshatish · Sof oʻxshatish faqat tushuntirishga yordam beradi, biologik asosi yoʻq.

Bu sahifa nuqtai nazaridan asosiy farq

Jadvalda bu modelga eng oʻxshashi kutilmaganda RNN boʻlib chiqadi. Ikkalasi ham vaqt sikli boʻylab ishlaydi va qayta aloqa ulanishlariga ega. Hal qiluvchi farq — ogʻirliklarning manbai. RNN tasodifiy qiymatlardan boshlab teskari tarqalish orqali oʻrganadi, bu model esa elektron mikroskopda oʻlchangan ulanishlarni oʻzgarishsiz ishlatadi. Ularning oraligʻida Lappalainen va boshq. (2024) usuli turadi: ulanishlar oʻlchangan qiymatlarda qoldiriladi, faqat nomaʼlum qiymatlar chuqur oʻrganish bilan oʻqitiladi.

Meva pashshasi oʻqitgichi — oʻz chizmalaringiz bilan oʻrgating va darhol sinab koʻring

Teachable Machine kabi ① har bir sinf uchun misollar yigʻasiz, ② oʻqitasiz, ③ yangi kirish bilan tekshirasiz. Barcha hisob-kitoblar shu brauzer ichida bajariladi, chizmalar va veb-kamera tasviri tashqariga chiqmaydi. Xuddi shu modelni kod bilan ishga tushirish uchun Umumiy boʻlim A dagi Kod 2 dan foydalaning.

① Maʼlumot yigʻish

② Oʻqitish

Model

Epoxa30 ta

Oʻrganish tezligi0.05

③ Oldindan koʻrish

Kirish

Eksport

Kod 2 bilan davom etish →

Yuklash · Saqlash

Yigʻilgan namunalar shu brauzerda avtomatik saqlanadi va sahifa yangilansa ham yoʻqolmaydi. Eksport qilingan maʼlumotlar va model JSON fayllarini qayta yuklash mumkin.

Boshlash: «Namunalarni toʻldirish» tugmasini bosing yoki chizish maydoniga chizib, sinfdagi «Rasm qoʻshish» tugmasini bosing. Nomini bosib oʻzgartirish mumkin.

Teachable Machine bilan oʻxshash jihatlar

Sinf yaratish → namunalar yigʻish → oʻqitish → real vaqtda oldindan koʻrish → eksport jarayoni, veb-kamera kirishi, barcha hisob-kitoblarning brauzerda bajarilishi.

Farqlari

Teachable Machine katta tasvir modeli (MobileNet) oldindan ajratib olgan belgilar ustida faqat kichik klassifikatorni oʻqitadigan transfer oʻrganishdan foydalanadi. Bu oʻqitgich esa 16×16 chizmalarni ushbu sahifadagi model yordamida noldan oʻqitadi. Shuning uchun oddiy shakllar uchun mos, ammo fotosuratlar kabi murakkab kirishlarni yaxshi uddalay olmaydi. Buning evaziga tekshiruv aniqligi va oʻqitiladigan ulanishlar sonini ochiq koʻrsatadi.

Bir sahifada xulosa

Oldingi ikki sahifa koʻrsatgan narsa

Miya prinsiplaridan ilhomlangan sunʼiy neyron tarmoqlar ulanish kuchini tajriba orqali tuzatib masalalarni yechadi. Meva pashshasining qoʻziqorinsimon tanasi ham dofamin yordamida ulanishlarni oʻzgartirib, hid va natijani juftlaydi, bu xotira esa instinkt zanjiri (lateral shox) orqali xatti-harakatga aylanadi.

Bu mod koʻrsatgan narsa

Ulanish kuchi ulanish sxemasidan aynan olinsa, oʻqitishsiz ham yeyish, achchiqni rad etish, sakrash va tozalanish toʻgʻri neyronlardan paydo boʻladi. Aksincha, hid ortidan borish kabi oʻrganish va boshqaruvni talab qiladigan qismlarni hozircha odam yasagan oʻrinbosarlar bajaradi.

Asosiy fikr 1. Faqat tuzilmaning (ulanishlarning) oʻzidan ham koʻplab xatti-harakatlar paydo boʻladi. Meva pashshasining tugʻma xatti-harakatlarining katta qismi ulanishlarning oʻziga yozib qoʻyilgan.

Asosiy fikr 2. Oʻrganish va xotira (qoʻziqorinsimon tana, dofamin) bu mod boʻsh qoldirgan katakdir. Kenyon hujayralari ataylab jim qoldirilgan, neyromodulyatorlar yoʻq. ②-sahifadagi xotirani chaqirib olish zanjiri aynan shu boʻsh katakka toʻgʻri keladi.

Asosiy fikr 3. Uchala ish ham «qayergacha haqiqiy» ekanini belgilaydi: sahifalar sariq muhr bilan, mod esa emerjent/qoʻlda belgilari bilan. Bu fanni sodda koʻrsatishda eng muhim odat.

Qayta koʻrish: ① Meva pashshasi miyasini oʻrganish — sezgidan anglashgacha · ② Oʻrganilgan xotira instinkt zanjiri orqali chaqirib olinadi

Colab kodi — bu sahifani oʻzingiz ishga tushirib koʻring

Ikkala kod ham faqat Colab da oldindan oʻrnatilgan kutubxonalardan foydalanadi. «Notebook (.ipynb) yuklab olish» dan soʻng Colab da File → Upload notebook orqali oching yoki nusxalab, yangi notebook katagiga joylashtiring.

Kod 1 · Ulanish sxemasi bilan qatʼiylashtirilgan sizib integrallab otish tarmogʻi NumPy da«Bitta neyron» va «Xatti-harakatni kuzatish» boʻlimlari bilan bogʻliq · numpy · CPU da 1 soniyadan kam

Sinapslar soni × 0.275 mV × kuchaytirish 0.65 orqali qatʼiy ogʻirliklarni hosil qiladi (ishorani neyromediator belgilaydi), 20 ta sezgi neyronini 120 Hz da qoʻzgʻatib, 0.5 ms qadam bilan 100 marta hisoblaydi. Oʻqitiladigan ogʻirlik bitta ham yoʻq. Oʻz maʼlumotlaringizga moslash uchun syn (sinapslar soni matritsasi) ni haqiqiy konnektom faylidan oʻqing.

Ishga tushirish natijasi (2026-10-04 da ishga tushirilgan, numpy 2.4 · CPU). Tasodifiy son urugʻi (seed) qatʼiy belgilangani uchun har safar bir xil natija chiqadi.

Kod 2 · PyTorch da beshta oddiy chuqur oʻrganish modeli va uchta meva pashshasi modeli«Amaliyot: tuzilmalarni taqqoslash · oʻqitgich» bilan bogʻliq · torch, numpy, matplotlib · CPU da taxminan 1 daqiqa

MLP, CNN, RNN, GRU, LSTM va uchta meva pashshasi modelini bir xil chizma maʼlumotlarida oʻqitadi. Qatʼiy ulanishli spaykli model (ConnectomeLIF) 160 ta yashirin neyron ulanishlarini qatʼiy qoldirib, faqat dekoder qatlamini oʻqitadi. 8-katakda spayk yozuvlari chiziladi.

Ishga tushirish natijasi (2026-10-04 da ishga tushirilgan, PyTorch 2 · numpy 2.4 · CPU). Ikki xil urugʻ (seed) bilan alohida oʻqitildi. Urugʻ, versiya va uskunaga qarab sonlar oʻzgarishi mumkin.

Oddiy chuqur oʻrganish kodidan nimasi bilan farq qiladi

Band	Kod 1 (qatʼiy ulanishli spaykli)	Oddiy chuqur oʻrganish kodi
Ogʻirliklar manbai	Elektron mikroskopda oʻlchangan sinapslar soni × 0.275 mV × kuchaytirish	Tasodifiy boshlanib, oʻqitiladi
Oʻqitish	Yoʻq (faqat kuchaytirish 0.65 kabi bir nechta qiymatni odam sozlagan)	Surrogat gradiyent bilan barcha ulanishlar oʻqitiladi
Spayk hosilasi	Kerak emas (oʻqitilmagani uchun)	Pogʻonali funksiya boʻlgani uchun gradiyent 0 → surrogat gradiyent bilan aylanib oʻtiladi
Vaqtni qayta ishlash	0.5 ms × 100 qadam = oʻyindagi 1 tik	20 qadamli vaqt sikli + vaqt boʻylab teskari tarqalish
Koʻlam	176 ming neyron, 6.29 mln ulanish (misolda 500 ta)	Odatda yuzlab–minglab neyron
Maqsad	Haqiqiy miya nima qilishini bashorat qilish va tushuntirish	Vazifa samaradorligi (aniqlik)
Chiqishni talqin qilish	Odam yasagan dekoder (ustuvorlik narvoni)	Chiqish qatlami toʻgʻridan-toʻgʻri sinf ballarini beradi

Taqqoslash uchun oddiy chuqur oʻrganish kodini koʻrish (snn_surrogate_gradient.py, PyTorch)

AI bilan qoʻllash uchun promptlar — bu kodni boshlangʻich nuqta qilib olish

ChatGPT, Qwen, Claude kabi AI yordamchilariga joylashtiriladigan promptlar. «Nusxalash» tugmasini bossangiz, prompt ortidan tanlangan kod ham birga qoʻshiladi. 〔〕 ichidagini oʻz vaziyatingizga moslab almashtiring.

Birga qoʻshiladigan kod

AI javobi faqat boshlangʻich nuqta. Taklif qilingan maqolalar, raqamlar va kutubxona funksiyalarini albatta asl manba va rasmiy hujjatlar bilan tekshiring. Tanlov yoki maqolada AI yordamidan foydalangan boʻlsangiz, tashkilotchilar va jurnal qoidalariga muvofiq foydalanish faktini va koʻlamini oshkor qiling.

Atamalar lugʻati

Matndagi sariq punktir tagchiziqlar bilan bir xil lugʻat. Tagchiziqli soʻzga kursorni olib borsangiz yoki bossangiz, xuddi shu izoh chiqadi.

Oʻxshatishlar toʻplami — va oʻxshatish xato qiladigan joylar

Oʻxshatish tushunishning birinchi qadami, lekin notoʻgʻri tushunchaning urugʻi ham boʻlishi mumkin. Meva pashshasi va miya oʻxshatishlariga kuch darajasi belgilangan. Bevosita haqiqatan bir xil ishni bajarishiga dalil bor · Qisman faqat ayrim xususiyatlari oʻxshash · Yoʻq mos keladigan narsa maʼlum emas

Tushuncha	Kundalik oʻxshatish	Meva pashshasi · miya oʻxshatishi	Oʻxshatish xato qiladigan joy
Sizib integrallab otish	Teshik chelakka suv quyish: toʻlib ketsa, boʻshatib, qaytadan toʻldiriladi	Bevosita Haqiqiy neyronning membrana kuchlanishi kirish bilan yigʻiladi, sizib ketadi va ostonada spayk otadi	Haqiqiy neyronlarning shakli va ion kanallari xilma-xil. Bu model esa barcha neyronlar uchun bir xil qiymatlardan foydalanadi
Ulanish sxemasi = oldindan oʻqitilgan ogʻirliklar	Birov chizgan xaritani olib, undan faqat yoʻl topish uchun foydalanish	Qisman Elektron mikroskopda oʻlchangan sinapslar soni bevosita bogʻlanish kuchi sifatida ishlatiladi	Generativ AI ogʻirliklari maʼlumotlardan oʻrganilgan qiymatlar, ulanish sxemasi esa oʻlchangan qiymatlar. Ularning kelib chiqishi butunlay qarama-qarshi
Kuchaytirishni kalibrlash	Audiotizimdagi umumiy ovoz balandligi tutqichini burash	Yoʻq	Haqiqiy miyada umumiy kuchaytirish tutqichi yoʻq. Bu qiymatni erkak nerv tizimiga moslash uchun odamlar tanlagan
Refleks qatlami (oʻrinbosar)	Avtopilotli mashina ikkilanib qolganda rulni odam ushlab olishi	Yoʻq	Refleks qatlami biologik zanjir emas, odamlar yozgan qoidalardir. Ekrandagi [REFLEX] belgisi aynan shu lahzalarni bildiradi
Emerjentlik	Har bir chumoli oddiy, lekin butun chumoli uyasi murakkab harakat qiladi	Qisman Hech qanday qoida qoʻshilmagan boʻlsa-da, ovqatlanish va qochish ulanish sxemasidan oʻz-oʻzidan kelib chiqadi	"Emerjentlik" — bu model ichidagi natija. U haqiqiy erkak meva pashshalarida tasdiqlanmagan

Muallif haqida va manbalar

E-1 Muallif haqida · E-2 Ilmiy manbalar · E-3 Rasmlar uchun manbalar

E-1 Muallif haqida

Sangsun Ahn (M-Robo MChJ rahbari)

Korea Electrical Safety Corporation va Maeil Business Newspaperda ishlagan, hozirda Maeil Business Newspaperning tashqi venchuri boʻlgan M-Robo MChJni tashkil etib, uning rahbari sifatida faoliyat yuritmoqda. M-Robo MChJ OAV ichki venchuri sifatida boshlangan media-venchur boʻlib, Kukmin Ilbo gazetasiga robot-jurnalist (StockBot) xizmatini koʻrsatgan hamda Korea Internet & Security Agency (KISA), Korea Press Foundation, Korea Communications Agency kabi tashkilotlarda koʻplab loyihalarni amalga oshirgan. Hozirda oʻzining Money-Robo nomli AI yangiliklar nashrini yuritmoqda. Rahbarlik davrida Asia Open Data Hackathon gʻolibi boʻlgan, maʼlumotlarga asoslangan tadbirkorlik sohasidagi xizmatlari uchun Koreya Respublikasi Ichki ishlar va xavfsizlik vazirining mukofotiga 2 marta sazovor boʻlgan, sunʼiy intellekt va blokcheyn sohalarida 5 ta patent muallifi va egasi. «AI jinoyatlari va oʻzini himoya qilish» (koreys tilida) kitobining muallifi; Korea University of Technology and Education (KOREATECH) Onlayn uzluksiz taʼlim institutida fintex, statistika va sunʼiy intellekt boʻyicha elektron taʼlim kontentlarini ishlab chiqqan. Iqtisodiyot fanlari doktori (PhD, Dongguk University, mikroiqtisodiy matematik iqtisodiyot). Kookmin University, Hoseo University va boshqa bir qator universitetlarda maʼlumotlar va sunʼiy intellektga oid fanlardan dars beradi. Batafsil profil

Kurslar

Sangsun Ahn (2025). «Biznes uchun maʼlumotlar fani» maʼruzalar toʻplami (koreys tilida). Open Cyber University of Korea, Sunʼiy intellekt konvergensiyasi kafedrasi.
Sangsun Ahn (2025). [K-Digital] Sunʼiy intellekt yordamida tabiiy tilni qayta ishlash (koreys tilida). STEP (Smart Training Education Platform), KOREATECH Onlayn uzluksiz taʼlim instituti.
Sangsun Ahn (2024). [K-Digital] Fintex maʼlumotlarini tahlil qilish asoslari (koreys tilida). STEP (Smart Training Education Platform), KOREATECH Onlayn uzluksiz taʼlim instituti.

STEP kurslariga havolalar: link.step.or.kr/1qyVoJ · link.step.or.kr/M9na9N · link.step.or.kr/brqEyc
Sayt yangilanishi sababli kirishda muammo boʻlsa, www.step.or.kr orqali kiring.

Maqolalar va maʼruzalar

Sangsun Ahn (2025). Korean Retirement and Income Study (KReIS) panel maʼlumotlari asosida uy xoʻjaligi xarajatlarini bashorat qilish modeli: sunʼiy intellekt modellariga asoslangan yondashuv (koreys tilida). «Future Society», 16(2). Asl matn
Sangsun Ahn (2025). KReIS panel maʼlumotlari asosida uy xoʻjaligi xarajatlarini bashorat qilish modeli: sunʼiy intellekt yondashuvi (koreys tilida). KReIS ilmiy konferensiyasidagi taqdimot (2025.05.13), National Pension Service, National Pension Research Institute. Taqdimot
Sangsun Ahn (2025). SNS matnlari asosida shubhali giyohvand moddalar savdosini aniqlash algoritmi: naqsh va kontekst tahliliga eʼtibor (koreys tilida). «Future Society», 16(1). Asl matn
Sangsun Ahn (2024). Moliya sohasidagi anomaliyalarni aniqlash modellari xavfsizligi uchun statistikaga asoslangan adversarial maʼlumotlarga qarshi choralar: empirik tahlil va simulyatsiya natijalari (koreys tilida). «Future Society», 15(3). Asl matn
Sangsun Ahn (2024). Sunʼiy intellekt yordamida virtual personaj xususiyatlariga asoslangan SNS postlarini aniqlash yechimi (koreys tilida). 2024 Summer Newmedia Party poster taqdimoti (2024.06.19), Seoul Media Institute of Technology.
Sangsun Ahn (2024). Ishlab chiqarishdagi baxtsiz hodisalar panel maʼlumotlaridan foydalanilgan mashinali oʻrganish modeli (koreys tilida). 10-Ishlab chiqarishdagi jarohatlar sugʻurtasi paneli ilmiy konferensiyasida poster taqdimoti (2024.05.17), Korea Workers’ Compensation & Welfare Service, Labor Welfare Research Institute.
Sangsun Ahn (2024). Virtual aktivlar vaqt qatorlari maʼlumotlarini tahlil qilish va bashorat qilish: vaqt qatori modellari va sunʼiy intellekt modellarini taqqoslash, takomillashtirish takliflari (koreys tilida). «Future Society», 15(1). Asl matn

E-2 Ilmiy manbalar

[R1] Berg, S., Beckett, I. R., Costa, M., … (2026). Sexual dimorphism in the complete Drosophila male central nervous system connectome. Cell, 189(18), 5504–5526. doi:10.1016/j.cell.2026.08.015 — bosh qism, «Tegishli tadqiqotlar»
[R2] Shiu, P. K., Sterne, G. R., Spiller, N., … Scott, K. (2024). A Drosophila computational brain model reveals sensorimotor processing. Nature, 634, 210–219. doi:10.1038/s41586-024-07763-9 — «Bitta neyron», «Kuchaytirishni sozlash»
[R3] Lappalainen, J. K., Tschopp, F. D., Prakhya, S., … Turaga, S. C. (2024). Connectome-constrained networks predict neural activity across the fly visual system. Nature, 634, 1132–1140. doi:10.1038/s41586-024-07939-3 — «Uch loyihani taqqoslash»
[R4] Plaza, S. M., Clements, J., Dolafi, T., … (2022). neuPrint: An open access tool for EM connectomics. Frontiers in Neuroinformatics, 16, 896292. doi:10.3389/fninf.2022.896292 — «Tegishli tadqiqotlar»
[R5] blendi-remade/fly-brain-minecraft (2026). GitHub repozitoriysi: README, docs/REFERENCE.md, docs/VALIDATION.md, PROVENANCE.md. Kod MIT, konnektomdan olingan maʼlumotlar CC BY 4.0. github.com/blendi-remade/fly-brain-minecraft — ushbu sonning hammasi (modning raqamlari va tekshiruv yozuvlari)

Matndagi [1]~ izohlar: raqamlar va faktlar manbalari

Raqam	Mazmun	Qiymat	Manba
[1]	Simulyatsiya qilingan neyronlar, bogʻlanishlar va sinapslar soni	176,422 / 6,287,749 / 90.3 M	fly-brain-minecraft README, PROVENANCE.md, VALIDATION.md §0 (neuPrint `male-cns:v1.0`, faqat 5 va undan ortiq sinapsli bogʻlanishlar)
[2]	Toʻr parda ustunlari soni, 50 ms takt, oʻqitish yoʻq, neyron tenglamasi qiymatlari	877 + 892 ustun · τ_m 20 ms · τ_s 5 ms · −52/−45 mV · refrakter davr 2.2 ms · 0.275 mV × 0.65	docs/REFERENCE.md "How it works", Shiu va boshq. (2024)
[3]	«Xatti-harakatni kuzatish» panelidagi otish chastotasi oraliqlari, faol neyronlar va real vaqt koeffitsiyenti	Jadvaldagi oraliqlar	docs/VALIDATION.md §1–8 (oʻyinsiz ishga tushirilgan avtomatik testlar, 2026-09-03)
[4]	Kuchaytirish 0.55 / 0.65 / 0.75 ni taqqoslash	§9 jadvali	docs/VALIDATION.md §9
[5]	Konnektom maqolasidagi neyronlar soni	166,700 (tekshirilgan va izohlangan)	Berg va boshq. (2026) Cell 189(18):5504–5526
[6]	Butun miya uchun sizib integrallab otish (LIF) modeli	—	Shiu va boshq. (2024) Nature 634:210–219
[7]	Haqiqiy ulanish sxemasi ustida qiymatlari chuqur oʻrganish bilan oʻrganilgan koʻrish tizimi modeli	64 ta hujayra turi, 26 ta eksperimental tadqiqot bilan mos keladi	Lappalainen va boshq. (2024) Nature 634:1132–1140 · doi:10.1038/s41586-024-07939-3
[8]	Ikkita oʻyin skrinshoti	—	fly-brain-minecraft docs/media (MIT License)

E-3 Rasmlar uchun manbalar

Ikkita oʻyin skrinshoti: fly-brain-minecraft repozitoriysidagi docs/media (MIT License, © 2026 Blendi Remade / fal.ai). Minecraft — Mojang/Microsoft kompaniyasining savdo belgisi
Yakuniy sahnadagi personajlar rasmi: Chuqur oʻrganish A dan Z gacha laboratoriyasi personajlari

Oʻqituvchi uchun TIP

Oʻqituvchilar, ish joyidagi OJT masʼullari va tyutorlar uchun dars oʻtkazish boʻyicha qoʻllanma. Vaqtlar taxminiy, shuning uchun ularni haqiqiy darsga moslab oʻzgartiring.

Auditoriya	Maxsus 1 va 2 ni tugatgan oʻquvchilar. Miya simulyatsiyasi va raqamli egizaklarga qiziquvchi mutaxassislar
Talab qilinadigan bilimlar	Maxsus 1 dagi ② Perseptron, Maxsus 2 dagi qatʼiy yoʻl + oʻrganilgan tuzatish
Oʻquv maqsadlari	① Sizib integrallab otish neyroni tenglamasini soʻz bilan tushuntiradi ② Ulanish sxemasidan oʻz-oʻzidan kelib chiqqan xatti-harakatni odamlar yaratgan oʻrinbosardan ajrata oladi ③ Oʻrganiladigan bogʻlanishlari deyarli yoʻq modelning afzallik va cheklovlarini chuqur oʻrganish bilan taqqoslaydi
Taxminiy vaqt	Oʻqish 50~60 daqiqa · animatsiya namoyishi 25 daqiqa · Colab amaliyoti 30 daqiqa (Kod 1 — 10 daqiqa, Kod 2 — ishga tushirish 2 daqiqa + tahlil 15 daqiqa)

Uchta dars rejasi

Maʼruza, 50 daqiqa

Tushunchalarga eʼtibor

Kirish 5 daqiqa (oʻyin ekranlari) → Bitta neyron 15 daqiqa → Xatti-harakatni kuzatish 15 daqiqa → Haqiqiy va oʻrinbosar 10 daqiqa → Nazorat savollari 5 daqiqa.

Ish joyida OJT, 90 daqiqa

Tizim dizayniga eʼtibor

Xatti-harakatni kuzatish 15 daqiqa → «Haqiqiy va oʻrinbosar»ni oʻz tizimingiz uchun "model va qoidalar" jadvaliga aylantirib yozish 25 daqiqa → Koʻchirib koʻrish 15 daqiqa → Kod 2 ni ishga tushirish va talqin qilish 25 daqiqa → Prompt kartalari 10 daqiqa.

1:1 tyutorlik

Darajaga mos surʼat

Boshlovchilar uchun faqat «Bu nima», «Bitta neyron» va «Xatti-harakatni kuzatish». Oʻrta darajadagilar «Bitta neyron»dagi tenglamadan "bir vaqtdagi 162 ta sinaps"ni keltirib chiqaradi va Kod 1 da kuchaytirishni oʻzgartirib, otishlar sonini taqqoslaydi.

Boʻlimlar boʻyicha dars oʻtkazish nuqtalari

Boʻlim	Toʻxtab beriladigan savol	Boshqaruv boʻyicha maslahat
Bu nima	"Oʻrganmaydigan neyron tarmoq foydali boʻlishi mumkinmi?"	Ikkita oʻyin skrinshotidan boshlang
Bitta neyron	"Kirish bir xil boʻlsa ham, nega spayk vaqtlari farq qiladi?"	Sinapslar soni va kuchaytirishni oʻzgartirib, chiqish otish chastotasini kuzating
Xatti-harakatni kuzatish	"Achchiq taʼm qoʻshilsa, ovqatlanish qaysi bosqichda toʻxtaydi?"	Avval «Shakar», soʻng «Shakar + achchiq» tugmasini bosing
Kuchaytirishni sozlash	"Nega 0.75 da nazoratsiz faollik boshlanadi?"	0.65 va 0.75 dagi tozalanish grafiklarini taqqoslang
Haqiqiy va oʻrinbosar	"[REFLEX] chiqqanda rulni kim boshqaryapti?"	Olma hidi sahnasini qayta koʻring
Uch loyihani taqqoslash	"Yuqori oʻng burchakda (haqiqiy ulanish sxemasi + oʻrganish) nima bor?"	Xaritadagi Lappalainen (2024) nuqtasini koʻrsating
Amaliyot: Oʻqitgich	"483 ta oʻrganiladigan bogʻlanish bilan necha foiz toʻgʻri topadi?"	Qatʼiy ulanishli spaykli model va MLP ni navbatma-navbat oʻqiting

Eng keng tarqalgan 5 ta xato tushuncha

Xato tushuncha	Toʻgʻri izoh	Koʻrsatiladigan sahna
Faqat konnektomning oʻzi miyani toʻliq qayta yaratadi	Neyromodulyatorlar, elektr sinapslar va har bir neyronning oʻziga xos xususiyatlari yetishmaydi. Hid yoʻli toʻyinib qoladi, shuning uchun uning vazifasini oʻrinbosar bajaradi	«Haqiqiy va oʻrinbosar»dagi cheklovlar roʻyxati
Oʻyindagi meva pashshasi oʻrganadi	Oʻrganiladigan ogʻirliklar soni 0 ta. Odamlar belgilagan qiymatlar esa kuchaytirish 0.65 kabi bir nechtagina	Bosh qismdagi raqamlar, «Kuchaytirishni sozlash»
Otish chastotasi raqamlari haqiqiy meva pashshasiga tegishli	Bular modelning test natijalari; mutlaq qiymatlarga ishonmang, faqat qonuniyatlarga qarang	«Xatti-harakatni kuzatish»dagi xira polosalar
Emerjent xatti-harakatlar haqiqiy meva pashshalarida tajriba bilan tasdiqlangan	Bu model ichidagi natijalar. Faqat ayrim yoʻllar boshqa tadqiqotlarda hayvonlar ustidagi tajribalarda tasdiqlangan	«Haqiqiy va oʻrinbosar»dagi "emerjentlik" doirasi haqidagi xatboshi
Spaykli neyron tarmoqlar oʻrgana olmaydi	Mashinaviy oʻrganishda ular surrogat gradiyentlar yordamida oʻqitiladi. Bu modning oʻrganmasligi — loyihaviy tanlov	Tuzilmani taqqoslash, Kod 2

Nazorat savollari (izohni ochish uchun bosing)

Q1. 30 ta sinapsdan iborat bogʻlanishda bitta kiruvchi spayk qoʻshadigan tok g necha mV? (0.275 mV × kuchaytirish 0.65)

30 × 0.275 × 0.65 ≈ 5.36 mV.

Q2. Tinch holat kuchlanishi −52 mV, ostona −45 mV boʻlsa va bitta spayk membrana kuchlanishini g ning taxminan 0.1575 baravari qadar oshirsa, neyronni yolgʻiz oʻzi otishga majburlashi uchun g qancha boʻlishi kerak?

Ostonagacha 7 mV. 7 / 0.1575 ≈ 44.4 mV. Kuchaytirish 1.0 boʻlsa, bir vaqtda taxminan 162 ta sinaps, 0.65 boʻlsa, taxminan 249 ta sinaps kerak.

Q3. Shakar + achchiq sahnasida xartum motor neyroni (MN9) 0 Hz, lekin shirin taʼmning ikkinchi darajali neyronlari yoniq. Tormozlanish qaysi bosqichda yuz beradi?

Harakatdan oldingi bosqichda. Achchiq tormoz (Scapula) ovqatlanish buyrugʻi yoʻlini toʻsadi.

Q4. Kuchaytirish 0.75 ga koʻtarilsa, tozalanish sahnasida nima sodir boʻladi?

200 ms ichida har bir taktdagi spayklar besh baravar koʻpayadi, Kenyon hujayralari 39 Hz da uygʻonadi va hosil boʻlgan tormozlanish hatto tozalanish buyrugʻi neyronlarini ham oʻchirib qoʻyadi (nazoratsiz faollik).

Q5. Kod 2 da qatʼiy ulanishli spaykli model 644 ta oʻrganiladigan bogʻlanish bilan testda 0.75–0.81 natija berdi. Buni MLP (16 708 ta, 0.88–0.91) bilan solishtirib qanday talqin qilasiz?

Bogʻlanishlarning atigi taxminan 4% ini oʻrgatish ham ancha toʻgʻri natija beradi, lekin tasvirlashning oʻzini oʻrgana olmagani uchun MLP dan pastroq. Maʼlumot kamligi sababli (32 ta test namunasi) farq ±0.1 atrofida tebranishini ham aytib oʻting.

Colab topshiriqlari

Asosiy

Kod 1 da kuchaytirishni 0.65 dan 0.55 va 0.75 ga oʻzgartirib, otgan neyronlar soni va oʻrtacha otish chastotasini jadvalda koʻrsating hamda "Kuchaytirishni sozlash" boʻlimidagi nazoratsiz faollik bilan bogʻlab, ikki gapda talqin qiling.

Qiyin

Kod 2 dagi ConnectomeLIF da tormozlovchi neyronlar ishorasini (−0.5) hammasini +0.18 ga oʻzgartirib (tormozlanishni olib tashlab), qayta oʻqiting. Spayk yozuvini (8-katak) va aniqlikni ikkita seed bilan solishtiring hamda tormozlanish tarmoqda qanday vazifani bajarishini yozing.

Qiyinlikni moslashtirish va qoʻshimcha oʻrganish

Boshlovchilar	«Bitta neyron» tenglamasi uchun faqat «Oddiy soʻzlar bilan» qismini oʻqish kifoya. «Xatti-harakatni kuzatish» va «Haqiqiy va oʻrinbosar»ni puxta oʻzlashtiring
Chuqurlashtirilgan	Lappalainen va boshq. (2024) kabi ulanish sxemasi ustida faqat ayrim qiymatlarni oʻrganadigan usullarni tadqiq qilib, taqdimot qilishni topshiring. Topilgan maqolalarni asl manbadan tekshiring
Qoʻshimcha oʻrganish	Sangsun Ahn, «Biznes uchun maʼlumotlar fani» maʼruzalar toʻplami (maʼlumotlar fani boʻyicha umumiy kurs) · STEP [K-Digital] Sunʼiy intellekt yordamida tabiiy tilni qayta ishlash · STEP [K-Digital] Fintex maʼlumotlarini tahlil qilish asoslari (barchasi koreys tilida)
Oʻqituvchi uchun materiallar	Nazorat savollarini baholash mezonlari va topshiriqlarning namunaviy javoblarini Oʻqituvchilar uchun javoblar sahifasida (Maxsus 3) topishingiz mumkin