Cybernetics 2.0: A General Theory of Adaptivity and Homeostasis in the Brain and in the Body

این کتاب مفاهیم سازگاری و یادگیری را از قلمرو مهندسی به حوزه زیست‌شناسی و فرآیندهای طبیعی می‌برد. این یک الگوریتم Hebbian-LMS، ادغام یادگیری بدون نظارت هبی و یادگیری LMS نظارت شده در شبکه های عصبی، به عنوان یک نمایش ریاضی از یک نظریه کلی برای یادگیری سیناپسی در مغز، و سازگاری و کنترل عملکردی هموستاز در سیستم های زنده معرفی می کند. این کتاب که به زبانی نوشته شده است که بتواند دانش‌آموزان و دانشمندان با پیشینه‌های مختلف را مورد خطاب قرار دهد، خوانندگان را در سفری بی‌نظیر از طریق فرآیندهای هموستاتیک مختلف در موجودات زنده، مانند کنترل دمای بدن و انعطاف‌پذیری سیناپسی، همراهی می‌کند و توضیح می‌دهد که چگونه الگوریتم هبیان-LMS می‌تواند کمک کند. آنها را درک کرده و چند سوال باز برای تحقیقات آینده پیشنهاد می کند. همچنین مسیرهای سیگنال دهی سلولی را از منظری غیرمعمول تجزیه و تحلیل می کند، جایی که هورمون ها و گیرنده های هورمونی از طریق اصول الگوریتم Hebbian-LMS تنظیم می شوند. این بیشتر اعتیاد و درد و انواع مختلف اختلالات خلقی را مورد بحث قرار می دهد و نشان می دهد که چگونه می توان آنها را با الگوریتم Hebbian-LMS مدل کرد. برای اولین بار، الگوریتم Hebbian-LMS که از ترکیبی از نظریه هبیان از حوزه علوم اعصاب و الگوریتم LMS از حوزه مهندسی پردازش سیگنال تطبیقی ​​مشتق شده است، به مدلی قدرتمند برای درک نحوه عملکرد تنظیم بیولوژیکی تبدیل می شود. بنابراین، این کتاب با ارائه یک نظریه کلی در مورد چگونگی کنترل طبیعت یادگیری سیناپسی، زمینه جدیدی را در علوم اعصاب ایجاد می کند. سپس از آن فراتر می رود و نشان می دهد که همان اصول برای تنظیم فرآیندهای فیزیولوژیکی با واسطه هورمون اعمال می شود. به نوبه خود، کتاب به طور عمیق تری به مفهوم یادگیری می پردازد. این شبیه‌سازی‌های کامپیوتری و استراتژی‌های آموزش شبکه‌های عصبی با الگوریتم Hebbian-LMS را پوشش می‌دهد و نشان می‌دهد که الگوریتم‌های حاصل قادر به شناسایی روابط بین الگوهای ورودی ناشناخته هستند. این نشان می دهد که چگونه این می تواند به ایده های مفید برای درک حافظه انسان و طراحی ساختارهای شناختی ترجمه شود. در مجموع، این کتاب خواندنی کاملاً منحصر به فرد و الهام‌بخش برای زیست‌شناسان، فیزیولوژیست‌ها و مهندسان ارائه می‌کند و راه را برای مطالعات آینده در مورد آنچه می‌توانیم الگوریتم یادگیری مخفی طبیعت بنامیم هموار می‌کند.

This book takes the notions of adaptivity and learning from the realm of engineering into the realm of biology and natural processes. It introduces a Hebbian-LMS algorithm, an integration of unsupervised Hebbian learning and supervised LMS learning in neural networks, as a mathematical representation of a general theory for synaptic learning in the brain, and adaptation and functional control of homeostasis in living systems. Written in a language that is able to address students and scientists with different backgrounds, this book accompanies readers on a unique journey through various homeostatic processes in living organisms, such as body temperature control and synaptic plasticity, explaining how the Hebbian-LMS algorithm can help understand them, and suggesting some open questions for future research. It also analyses cell signalling pathways from an unusual perspective, where hormones and hormone receptors are shown to be regulated via the principles of the Hebbian-LMS algorithm. It further discusses addiction and pain, and various kinds of mood disorders alike, showing how they can be modelled with the Hebbian-LMS algorithm.  For the first time, the Hebbian-LMS algorithm, which has been derived from a combination of Hebbian theory from the neuroscience field and the LMS algorithm from the engineering field of adaptive signal processing, becomes a potent model for understanding how biological regulation works. Thus, this book is breaking new ground in neuroscience by providing scientists with a general theory for how nature does control synaptic learning. It then goes beyond that, showing that the same principles apply to hormone-mediated regulation of physiological processes. In turn, the book tackles in more depth the concept of learning. It covers computer simulations and strategies for training neural networks with the Hebbian-LMS algorithm, demonstrating that the resulting algorithms are able to identify relationships between unknown input patterns. It shows how this can translate in useful ideas to understand human memory and design cognitive structures. All in all, this book offers an absolutely, unique, inspiring reading for biologists, physiologists, and engineers, paving the way for future studies on what we could call the nature’s secret learning algorithm.