A texasi kutatók egy klasszikus tanulási kísérletet végeztek el a szimulációjukkal, és összehasonlították az eredményeket számos, valódi emberi kondicionálási kísérlet adataival. Az emberi kísérletekben egy hangot kellett társítani a szemhéjra fújt levegővel, amitől a szemhéj lecsukódott. Ha a hang és a fújás száz-kétszáz alkalommal együtt megtörtént, akkor az alany megtanulta a társítást, és pusztán a hang hallatán lehunyta a szemét. Ha ezután a hangot többször lejátszották a légáramlás nélkül, az alany végül megtanulta disszociálni a két ingert („kioltani” a reakciót), tehát a tanulás kétirányú. Számos paraméter finomhangolása után a szimuláció eredményei elfogadható egyezést mutattak az emberi és állati kisagyi kondicionálás eredményeivel. Érdekes módon a kutatók azt találták, hogy ha szimulált kisagyi léziókat hoznak létre (eltávolítva a szimulált kisagyi hálózat egyes részeit), akkor hasonló eredményeket kapnak, mint a valódi kisagyi léziót elszenvedett nyulakkal végzett kísérletek esetében.{299}
Ennek a nagy agyterületnek az uniformitása és idegsejtközi felépítésének viszonylagos egyszerűsége miatt viszonylag jól értjük az input-output transzformációit, legalábbis más agyi területekhez képest. Noha a releváns egyenletek még finomításra szorulnak, ez a fordított szimuláció nagyon lenyűgözőnek bizonyult.
Egy másik
példa:
a hallásért felelős
területek Watts-féle modellje
„Véleményem szerint úgy lehet agyszerű intelligenciát létrehozni, hogy építünk egy valós idejű modellrendszert, amely kellő részletességig pontos, és kifejezi minden egyes elvégzett számítás lényegét, majd a valódi rendszeren végzett mérésekkel ellenőrizzük, hogy helyesen működik-e. A modellnek valós időben kell futnia, hogy kénytelenek legyünk megbirkózni a kényelmetlen és bonyolult valós világbeli inputokkal, amiket egyébként nem jutna eszünkbe a rendszerbe táplálni. A modellnek kellő felbontással kell működnie ahhoz, hogy összehasonlítható legyen a valódi rendszerrel, annak érdekében, hogy helyes megérzéseink legyenek arról, hogy milyen információkat jelenít meg az egyes fázisokban. Mead{300} nyomán a modell fejlesztése szükségképpen a rendszer határaival (azaz az érzékelőkkel) kezdődik, ahol a valódi rendszert már jól értjük, és csak ezután haladhatunk tovább a kevésbé ismert területekre… Így a modell nemcsak a meglévő ismereteinket tükrözi, hanem lényegesen hozzá tud járulni a rendszer egyre jobb megértéséhez. Ilyen nagyfokú komplexitás mellett lehetséges, hogy a valódi rendszer megértésének egyetlen gyakorlatias módja az, hogy az érzékelőktől indulva és befelé haladva építjük meg a működő modelljét – arra az újonnan szerzett képességünkre támaszkodva, hogy a mind mélyebbre hatolás közben jelenítjük meg a rendszer összetettségét. Ezt a megközelítést nevezhetjük az agy visszafejtésének… Érdemes megjegyezni, hogy nem azt javaslom, hogy vakon másoljunk le olyan struktúrákat, amelyeknek a célját nem értjük, mint a legendás Ikarosz, aki naivan tollakból és viaszból próbált meg szárnyakat építeni! Nem, én azt javaslom, hogy tartsuk tiszteletben az alacsony szinten már megértett összetettséget és gazdagságot, mielőtt továbblépnénk a magasabb szintekre.”
(Lloyd Watts{301})
Egy agyterület neuromorf modelljére kiemelkedő példa az emberi hallórendszer egy jelentős részének átfogó lemásolása, amit Lloyd Watts és munkatársai valósítottak meg.{302} A projekt specifikus neurontípusok neurobiológiai kutatásaira és az idegsejtek közötti kapcsolatokra vonatkozó információkra építkezett. A modell, amely az emberi hallás sok jellemzőjével bír, és képes lokalizálni, illetve azonosítani a hangokat, öt párhuzamos úton dolgozza fel a hanginformációt, és az idegrendszeri feldolgozás minden fázisában képes közvetlenül megjeleníteni ennek az információnak a leképeződését. Watts valós idejű szoftverként valósította meg a modelljét, ami, bár a munka még folyamatban van, azt bizonyítja, hogy a neurobiológiai modellek és az agy kapcsolatainak adatai működő szimulációkká alakíthatók át. A program nem az egyes neuronok és kapcsolatok reprodukálásán alapul, mint a fentebb bemutatott kisagymodell, hanem az egyes területek által végzett transzformációkon.
Watts szoftvere képes azokra a finom megkülönböztetésekre, amelyeket az emberi hallással és hangdiszkriminációval kapcsolatos kísérletek feltártak. Watts beszédfelismerő rendszerek előfeldolgozójának (frontendjének) használta a modelljét, bebizonyította, hogy képes kiszűrni egy beszélőt a háttérzajok közül (a „koktélparti effektus”). Ez a lenyűgöző teljesítmény az emberek számára adottság, de mindeddig nem sikerült megvalósítani automatizált beszédfelismerő rendszerekben.{303}
Az emberi halláshoz hasonlóan Watts cochlea(csiga)-modellje is rendelkezik spektrális érzékenységgel (bizonyos frekvenciákon jobban hallunk), temporális reakcióval (érzékenyek vagyunk a hangok időzítésére, és ez hozza létre a térbeli elhelyezkedés érzetét), maszkolással, nemlineáris frekvenciafüggő amplitúdó-kompresszióval (ez teszi lehetővé a nagyon nagy dinamikatartományt – a képességet, hogy a hangos és halk hangokat is halljuk), hangerőszabályzással (erősítés) és egyéb kifinomult jellemzőkkel. A megvalósított eredmények közvetlenül ellenőrizhetők biológiai és pszichofizikai adatokkal.
A modell következő része a cochleáris magvak területe, amit Gordon M. Shepherd,{304} a Yale Egyetem idegtudomány és neurobiológia professzora „az agy egyik legjobban megértett területének”{305} nevezett. Watts szimulációja E. Young kutatásain alapul, aki részletesen leírja a lényegi sejttípusokat, amelyek felelősek „az energiaspektrum és a széles sávú tranziensek érzékeléséért, a spektrális csatornák finomhangolásáért, a jelek időbeli lefutására való fokozott érzékenységért az egyes csatornákban, a frekvencialevágásért és -kivágásért, miközben szabályozzák a jelerősítést az optimális érzékenység elérése érdekében a neurális impulzuskód által korlátozott dinamikatartományban”.{306}
Watts modellje sok egyéb részletet is megvalósít, például az interaurális időeltérést (ITD), amit a középső-felső olajkamag sejtjei számítanak ki.{307} Emellett megjeleníti az interaurális szintkülönbséget (ILD), amit az oldalsó-felső olajkamag sejtjei számítanak ki, illetve az alsó ikertestsejtek normalizálnak és szabályoznak.{308}