واداشتن رایانه‌ها برای فکر کردن مانند انسان‌ها جام مقدس و هدف نهایی هوش مصنوعی است، اما به نظر می‌رسد کپی کردن توانایی‌های مغز انسان اقدامی بسیار دشوار باشد. مغز انسان استاد استفاده از دانشی است که قبلا آن را آموخته و در موقعیت‌های جدید مدام آنها را بازپروری می‌کند. انجام کاری شبیه به مغز انسان در ماشین آلات همواره بسیار سخت بوده است. محققان دانشکده سالک از یک مدل جدید محاسباتی شبیه ساز فعالیت مغز استفاده کرده‌اند تا این فرآیند را دقیق‌تر از گذشته شبیه سازی کنند. مدل جدید از چگونگی عملکرد قشر پیشانی مغز انسان برای کنترل جریان اطلاعات بین مناطق مختلف تقلید می‌کند.
مغز انسان و سایر پستانداران به دلیل توانایی در پردازش سریع محرک‌ها، به عنوان مثال مناظر و اصوات و ادغام هرگونه اطلاعات جدید با چیزهایی که مغز از قبل می‌داند، کاملا شناخته شده است. این حجم از انعطاف پذیری برای استفاده از دانش در موقعیت‌های جدید و یادگیری مداوم در طول زندگی، مدت‌ها هدف محققانی بوده که در زمینه طراحی برنامه‌های مربوط به یادگیری ماشین یا شبیه سازی مغز انسان فعالیت می‌کنند. وقتی به یک ماشین یاد می‌دهید تا كاری را انجام دهد، یادگیری نحوه انطباق این کار با یك كار مشابه برای دستگاه بسیار دشوار است و عملا هر فرآیند مخصوص به هرکار باید به صورت جداگانه آموزش داده شود.
در مطالعه حاضر، گروه Sejnowski الگوریتمی جدید در مدل سازی محاسباتی برای شبیه سازی نحوه رفتار سلول‌های عصبی در قشر پیشانی مغز که مسئول تصمیم گیری و حافظه فعال است طراحی کردند و در طی یک آزمون شناختی معروف به آزمون مرتب سازی کارت ویسکانسین سیستم خود را آزمودند. در این چارچوب شرکت کنندگان باید کارت‌ها را بر اساس رنگ، نماد یا تعداد مرتب کنند و با تغییر قوانین مرتب سازی کارت، دائماً مرتب سازی‌های خود را بروز کنند. این آزمایش به صورت بالینی برای تشخیص زوال عقل و بیماری‌های روانپزشکی استفاده می‌شود اما توسط محققان هوش مصنوعی برای ارزیابی اینکه الگوریتم‌های محاسباتی شبیه ساز مغز آنها چگونه می‌تواند رفتار انسان را تکرار کند و تا چه اندازه به موفقیت دست پیدا می‌کند استفاده می‌شود.
مدل‌های قبلی که برای شبیه سازی قشر پیشانی (بخش مسئول تصمیم گیری و حافظه فعال) ساخته شده بودند همواره در این آزمون عملکرد ضعیفی داشتند. با این حال، تیم Sejnowski چگونگی کنترل نورون‌ها برای جریان اطلاعات در قشر پیشانی را ایجاد کردند که اطلاعات مختلفی را به مناطق مختلف شبکه اختصاص می‌دهد.
شبکه جدید نه تنها به اندازه قابل اعتماد بودن انسان‌ها در کار مرتب سازی کارت ویسکانسین موفق بود، بلکه گاها اشتباهات دیده شده در برخی بیماران که به مشکلات مغزی دچار هستند را هم تقلید کرد. هنگامی که بخش‌هایی از مدل برداشته شد، سیستم همان خطاهایی را در آزمون انجام داد که بیماران با آسیب در قشر پیشانی خود آن را انجام می‌دهند، اشتباهاتی که در انسان‌ها در موارد ضربه به سر یا زوال عقل بروز می‌دهد.
بن تسودا، دانشجوی فارغ التحصیلی دانشگاه سالک و نویسنده اصلی این مقاله جدید می‌گوید : من فکر می‌کنم یکی از جالب ترین قسمت‌های این امر این است که با استفاده از این نوع مدل سازی ما ایده بهتری از چگونگی سازماندهی مغز در دست داریم. این امر هم برای پیشرفت یادگیری ماشین و هم برای درک بهتر برخی از این بیماری‌ها که قشر پیشانی مغز را تحت تأثیر قرار می‌دهند قابل استفاده است.
وی اضافه می‌کند : اگر محققان درک بهتری از چگونگی کارکرد مناطق قشر پیشانی مغز داشته باشند، می‌توانند به بیماران در درمان آسیب‌های مغزی کمک کنند. به عنوان مثال آنها می‌تواند مناطقی را برای تحریک عمیق مغز جهت درمان بیماری‌های مغزی پیشنهاد کنند.
کی تای، استاد دانشگاه سالک می‌گوید : بخش‌هایی وجود دارد که همچنان مغز انسان در آن از پیشرفته‌ترین شبکه‌های یادگیری عمیق پیشی می‌گیرد، یکی از این چیزها قابلیت کاربرد آموزش‌های گذشته و تعمیم پذیری در کارهای مختلف با قوانین مختلف است. وایلی وال رئیس آزمایشگاه نوروبیولوژی سالک گفت : در این تحقیقات جدید ما ثابت می‌کنیم که چگونه دستیابی به اطلاعات نورون‌های قشر پیشانی می‌تواند به ساخت مدل‌های جدید و بهبود یافته هوش مصنوعی کمک کند.
این تیم در مرحله بعدی قسد دارد تا الگوریتم خود را برای انجام کارهای پیچیده‌تر از آزمون مرتب سازی کارت به چالش بکشد و تعیین کند که آیا این سیستم در همه شرایط‌ها توانایی شبیه سازی از قشر پیشانی انسانی را دارد یا خیر. اگر رویکرد جدید تحت سناریوهای یادگیری گسترده کار کند، آنها گمان می‌کنند که این امر منجر به بهبود سیستم‌های هوش مصنوعی می‌شود که می‌توانند با شرایط جدید سازگارتر باشند.
