На заглавном изображении моллюск рода Аплизия, в его нервной системе всего 20 000 нервных клеток. Практически таких же как и в Вашей нервной системе, те же самые дендриты, аксоны, медиаторы. Те же самые белки и вещества. И путь к понимаю природы сознания и сложного интеллектуального поведения не может проходить мимо этого скромного существа.
Здравствуй, Geektimes, и мы переходим ко второй части, которая будет посвящена второму типу нейроэлементов – это модулируемому нейроэлементу.
2. Симулятор нервной системы. Часть 2. Модулируемый нейроэлемент
3. Симулятор нервной системы. Часть 3. Ассоциативный нейроэлемент
4. Память, консолидация памяти и бабушкины нейроны
5. Моделирование эмоций или электронное чувство новизны
6. Удивительный мозжечок
7. Структура и стартовые настройки мозга
Существует три типа рефлекторной деятельности это привыкание, сенсибилизация и образование условных рефлексов. Данные типы деятельности выявил академик Павлов И.П. и если наша модель не будет этого эмулировать, то значит, это не модель нервной системы, а модель чего-то другого.
Привыкание
Привыкание это явление, связанное с тем, что после неоднократного действия безразличного раздражителя, как животное, так и клетка перестает на него реагировать. К примеру фоновый звук к которому мы можем привыкнуть и через некоторое время практически перестаем его слышать, или если вы носите кольцо длительное время, то можете не чувствовать его давление на кожу и т.д.
Привыкание реализовано следующим способом. При активации нейроэлемента он входит в состоянии активности, в котором прекращает реагировать на активирующие факторы, такие как сигнал, от контактных синапсов или превышение порога обшей суммы на сумматоре. Через некоторое время нейроэлемент производит ответ по всем имеющимся у него передающим синапсам. После передачи сигнала проходит еще время, которое обозначено как время отдыха или восстановления. Далее состояние активности сменяется состоянием ожидания, в котором нейроэлемент может реагировать на активирующие факторы и снова войти в состояние активности. Для модулируемого нейроэлемента после фазы активности существует время оценки, за которое определяется, будет ли нейроэлемент активирован повторно.
Если повторная активация происходит в этот период, то происходит подсчет повторов. То есть каждый раз, когда активация происходит во время оценки, то счетчик повторов увеличивается на один, но если во время оценки не происходит активации, то счётчик сбрасывается. Так происходит подсчет активаций, если они совершаются достаточно часто.
И если количество повторов оказывается выше определённого лимита, то происходит повышение порога сумматора нейроэлемента на некоторое значение. Таким образом, нейроэлемент повышает свой порог, пока не прекратит отвечать на тот уровень воздействия, который его активировал.
Пример привыкания:
Адаптация
В противоположность привыканию следует выделить механизм адаптация. Адаптация это способность клетки с течением времени возвращается к прежнему уровню чувствительности. Даже после привыкания, если длительное время отсутствует раздражитель, к которому выработано привыкание, то сила этого привыкания уменьшается, и может вообще исчезнуть.
Скорость, с которой происходит восстановление, в разных случаях может быть различной, и иногда оно может длиться часы и даже дни, а в некоторых случаях это происходит очень быстро.
Пример с адаптацией:
Механизм привыкания можно представить как механизм защиты, при очень частой активации нервной ткани, есть большая вероятность её истощения, гибели и повреждения. Поэтому в целях защиты чувствительность нейрона уменьшается, и он реже начинает отвечать на возбуждения.
С другой стороны, если нейрон не будет активироваться, то он не будет выполнять свои задачи и а значит, он бы являлся бесполезным энергопотреблением. Поэтому существует механизм адаптация, который повышает чувствительность к внешним раздражителям, что увеличивает вероятность активации нейрона.
Свойства нейроэлемента привыкание и адаптация решают проблему зацикливания, очень часто в нервной ткани нейроны объединены так, что образуют петли передачи нервного возбуждения, такие небольшие кольцевые передачи как бы обозначают рефлекторную дугу по пути распространения возбуждения. Но при кольцевых передачах возбуждения не происходит бесконечного зацикливания, с течением времени эти передачи так же прекращаются, за счет быстрого привыкания.
Сенсибилизация
Второй тип рефлекторной деятельности это сенсибилизация. Сенсибилизация это повышение чувствительности к воздействию раздражителей, даже безразличных, если этому предшествовала важное для организма событие.
К примеру, для собаки определённый звук является безразличным раздражителем, на который она ранее не реагировала. Тогда, если поступит неприятный раздражитель, к примеру, удар током, то собака на некоторое время будет встревожена, и даже индифферентный звук будет вызывать характерное поведение, защитную реакцию.
Для того, что бы смоделировать сенсибилизацию обратимся к работам Эрика Канделя, лауреата Нобелевской премии в области физиологии. Он подробно описал действие модулирующих синапсов на примере нервной системы моллюска Аплизии.
У моллюска существует защитная реакция в ответ на всякого рода прикосновения это втягивание жабр. В своих опытах Эрик Кандел вызывал у Аплизии привыкание к легкому касанию её сифона так, что защитный рефлекс не срабатывал. Защитный рефлекс сохраняется для сильных воздействий на сифон, но при слабом воздействии он отсутствовал. Но если легкому касанию сифона предшествовало воздействие на хвост моллюска, то защитный рефлекс срабатывал с прежней силой и происходил сохранение жабр.
[Иллюстрации из книги Эрика Канделя «В поисках памяти»]
Нервная система Аплизии состоит из относительно небольшого числа клеток, которые могут быть идентифицированы и поэтому возможно составить схемы рефлексов. Возможно полностью выделить рефлекторную дугу ответственную за защитную реакцию при раздражении сифона – это основная цепь. И цепь нейронов, ответственная за модуляцию – модулирующая цепь, которая активируется при воздействии на хвост моллюска.
Эрик Кандел подробно описал, как происходит в данном случае модуляция, какие химические вещества участвуют в этом процессе, внутриклеточные каскады реакций. Давайте перенесем эти знания на нашу модель.
И так у нас в системе существует определённый тип синапсов – модулирующий. Этот тип синапсов не оказывает прямого активирующего или тормозящего действия, он воздействует на уровень активирующего порога. Уровень активации нейроэлемента состоит из двух частей основной и модулируемой. Основная часть порога активации это то, что будет изменяться при привыкании и адаптации. Модулируемая часть подобна сумматору, в ней складываются все воздействия от модулирующих синапсов. Результирующая сумма постепенно уменьшается по модулю и стремится к нулю. Скорость уменьшения модулирующего воздействия в значительной степени медленней, чем скорость, с которой уменьшается общее воздействие синапсов прямого действия.
Сила модулирующего синапса может быть различной по знаку, то есть может повысить порог, тем самым понизить чувствительность нейроэлемента, или понизить порог, увеличивая его чувствительность.
Уровень порога, по которому оценивается, будет ли нейроэлемент активироваться, является суммой основной и модулирующей части, этот уровень не может быть равным нулю или ниже нуля.
Смоделируем эксперименты Эрика Канделя с Аплизией.
Рецепторы «Q», «W», «E» и «R» – рецепторы сифона моллюска, каждый из которых связан с рецепторным нейроэлементом. Каждый рецепторный нейроэлемент связан синапсами прямого действия с вставочным модулируемым нейроэлементом. Который в свою очередь связан с моторным нейроэлементом, который подает сигнал на индикатор «1». Индикатор «1» будет являться аналогом действия сокращение жабр у Аплизии.
Изначально сеть настроена так, что на активность каждого из рецепторов сифона будет приводить к действию «1». Но при длительном «щекотании», неспешной последовательной активации рецепторов сифона, через некоторое время происходит привыкание у вставочного нейроэлемента и никакого ответного действия не происходит. Но, если на рецепторы сифона воздействовать более сильно, активировать сразу несколько рецепторов или делать это более быстро, то мы увидим, что реакция «1» будет еще срабатывать. В данном случае механизм адаптации будет очень продолжителен во времени, и мы можем им пренебречь.
Также в нашей схеме есть рецептор «F», рецептор хвоста моллюска, который связан с нейроэлементом имеющим синапс модулирующего действия на вставочный нейроэлемент. Данный синапс понижает уровень порога нейроэлемента на определенное время, что делает нейроэлемент более чувствительным и в этот период активизация даже одного рецептора сифона приводит к реакции «1».
Механизм сенсибилизации у Аплизии является прообразом эмоционально состояния тревожности и страха у животных с более развитой нервной системой. У таких животных в сенсибилизации участвуют не отдельные цепочки нейронов, а целые области в нервной системе. Область ответственная за страх и тревожность – миндалевидное тело, миндалина, при её активации происходит, выделите модулирующих медиаторов (адреналин, норадреналин). Данные медиаторы могут оказывать действие на моторную кору, увеличивая чувствительность нейронов, что увеличивает активность в моторной каре. Это значит, что требуется меньше внутренней мотивации, что бы совершить некоторые действия, что позволяет быстрее убегать от опасности или более активно атаковать и проявлять агрессию.
Переключатель
Модулируемые нейроэлементы позволяют также представить, как происходит переключения поведения животного в зависимости от внешних и внутренних обстоятельств. К примеру, Аплизия демонстрирует очень сложное поведение в период спаривания, её поведение в этот период изменяется, и меняются возможные реакции на одни и те же раздражители. То есть можно сказать о существовании некоторого «переключателя» в нервной системе моллюска.
Сеть настроена так, что при активации рецептора «R» происходит рефлекторный ответ «1». Но если мы промоделируем эту сеть нейроэлементов активацией рецептора F, то на тот же рецептор «R» будет происходить рефлекторный ответ «2». Модулирующим фактором для нервной системы может быть наличие определённого гормона в организме, что объясняет, как происходит изменение поведения животного, к примеру, в период фертильности.
Комментарии (18)
wmtoolsnet
12.09.2016 02:46Когда же уже писаки про искусственный интеллект поймут, что моделировать нервную систему — проще простого, и делать это можно хоть на Паскале, хоть на Баше?)
Гораздо сложнее (а на данный момент просто невозможно) — сделать, или хотя бы смоделировать — единую систему взаимодействия «нервной системы» и периферии, той самой которая формирует «раздражители», описанные в статье.
Пока человек не поймет, какими «типами данных» обрабатывается и пересылается информация — о реакциях на раздражители говорить рано, и до тех пор все статьи на эту тему звучат «я фантазирую что буду делать, когда изобрету аналог человеческого глаза». Осталась пара мелочей: всего лишь изобрести сенсор, шину передачи данных, способ передачи данных (вряд ли последовательная цифра тут подойдет), и CPU мощностью в мейнфрейм.dronab
12.09.2016 09:26На ваш взгляд, про способ передачи данных, какой он? Параллельная цифра или сложная аналоговая? В одно время мне была интересна подобная тематика, на визуал бейсике писал даже какие-то нейроны которые учились, но увы так же как и все столкнулся с тем, что по сути вы и сказали. Хотел воплотить в железе что-то примитивное которое не жило по работе цикла и его ответвлений, но хотелось что-то более сложной, чем простейший нейрон — не хотелось получить: двигаться на источник света или отъезжать от препятствия и двигаться дальше. Хотелось что-то на порядок сложнее — принятие самостоятельных решений, которые влияли бы на опыт и на варианты действий. Что можно почитать по такой теме на русском языке?
wmtoolsnet
12.09.2016 13:47Ученые над этим очень долго пудрят мозг.
Смотрите, когда говорят «раздражитель» и «реакция» в контексте ИИ, то почему-то всегда проецируют устройство и принцип работы живых существ на цифровую электронику. То есть хотят, чтобы сигнал воспринимался как живым организмом, но обрабатывался как компьютером. Это не совсем правильно.
В то же время в компьютерном мире, очень много таких «организмов» с интеллектом. Они существуют, ловят раздражители (какие-то файлы или события), отвечают реакцией, и даже немного учатся отличать события и придумывать новые реакции. Чем не искусственный интеллект?)
Но если мы хотим, чтобы наше изобретение вело себя как живой организм, то прежде всего изменения надо вносить в архитектуру нашего изобретения, а не в обработку. Она сама появится.
Ну вот например взять глаз, и его ближайший аналог — камеру. Может даже не человеческий глаз, а какой-нибудь фасеточный. От глаза в мозг идет пучок нервов, от камеры в девайс пучок проводов. Как вы думаете, что будет если случайно один нерв с глаза в мозг?) Глаз перестанет видеть? Или перестанет видеться какая-либо зона? Или перестанет видеться в цвете?
А что будет если обрезать один провод от камеры?) Вопрос риторический — камера потухнет.
Вы кстати заметили что у всех организмов глаза находятся на голове? Думаю неспроста. Думаю что на самом деле глаза, это вовсе не периферический сенсор, как например тактильные сенсоры, а часть мозга. И я так думаю, что если сравнивать устройство зрительной системы с компьютерной архитектурой, то ПЗС-матрица должна находиться в самом процессоре, и должна быть подключена непосредственно к его регистрам.
Почитать по такой теме вы можете лишь первые блины. Экспериментируйте сами.dronab
12.09.2016 14:47Что за первые блины?
Ничего удивительного — я задавался теми же вопросами что вы и озвучили, прям один в один. На мой взгляд все равно придется использовать цифру и все идет к тому, чтобы производилась компьютерная обработка этих самых раздражителей. Например распознавание образов в сигнале с видео камеры, различать звук выстрела от петарды, акселерометр и гироскоп дадут положение в пространстве, ГЛОНАСС даст положение на местности (короткий маршрут и все такое) и т.д.wmtoolsnet
12.09.2016 16:23И зря. Компьютерная обработка хороша для компьютерных раздражителей и компьютерных же сенсоров. А вы снова применяете человеческий подход к цифровым датчикам.
Распознавание образов. Это не распознавание. Это сравнение с базой данных, при чем шаг вправо-шаг влево, и будет леопардовый диван. А чтобы леопардового дивана не случилось, база данных должна быть просто охренительно огромная. И огромная, именно по той причине что я уже говорил — она будет в компьютерном формате. А он жутко неоптимальный.
Звук выстрела от петарды — то же самое. Если вы введете в свои образы образец звука, то ваша система определит. Если конечно до этого в зрительную базу данных уже будет введен образ петарды. С этим на данный момент еще хуже, чем с леопардовым диваном — «окей, гугль»==«отлей в угол».
Я бы на вашем месте вначале определил какого результата я хочу добиться. Затем попытался понять, как бы я его добился. А потом попытался себя представить дельфином, собакой, кошкой, тараканом, и понять как бы я добился в результата в таком случае.
Но мне кажется, что мы говорим немного о разном. Я говорю именно об интеллекте со всеми присущими ему признаками. А вы говорите о пропатченном алгоритме работы какого-либо девайса.dronab
12.09.2016 19:57+1Ну логика в этом есть, вот смотрите, цифровой датчик хорош тем, что информацию кодирует последовательностью цифровых сигналов или их например скважностью, периодом. Например сделали датчик касания, чем сильнее касание по шкале от 0 где полное касание до 255 максимальное сильное касание — позволит сделать девайс с довольно точным определением силы касания. По аналогии с другими датчиками, например ладонь робота — можно сделать 1000 точек с датчиками касания и мы можем получить профиль предмета которой касается эта ладонь робота. Конечно тут возникает главный вопрос — сколько будет стоить 1000 датчиков касания и каким образом, и сколько контроллеров обрабатывающих эти 0-255 понадобиться.
Что касается образов, тот тут могу с вами согласиться что да — диван надо в базу так сказать добавить и только потом происходит понимание что на снимке диван. Но в реальной жизни все же именно так и происходит — ребенок в детстве увидел машину, запомнил как она выглядит и какая форма у машины (её главные элементы чтобы понимать что это машина, а не велосипед к примеру), так же и здесь — робота надо научить и показать что вот смотри это диван, а вот это ложка. Ну если образно так представить все.
А так да вы верно подметили, я больше думаю о некоем девайсе который мог бы «башкой своей» соображать, а не о ИИ в целом. Что-то вроде урезанного варианта ИИ, если можно так выразиться…wmtoolsnet
12.09.2016 22:36Боюсь что не только диван нужно добавить в базу, а еще и некоторые базовые умения абстрактно вращать этот диван, иначе его придется добавлять сотни раз с разных ракурсов. И уж явно не добавлять в виде массива точек.
Могу подсказать вам с чего начать разработку И.И.: сделайте ассоциативный язык образов на основе распознавания базовых геометрических фигур, и попробуйте перевести в этот язык какую-нибудь фотографию или просто образ чего-нибудь.
Вот например фотографию дивана можете записать как «большой прямоугольник в нижней части экрана, залитый бежевым цветом, по бокам этого прямоугольника находятся прямоугольники намного уже большого прямоугольника, и немного выше его, по центру большого прямоугольника нарисован круг размером примерно 20 см».
А затем попробуйте сделать обратный алгоритм восстановления пиксельной картинки со слов из записанного ранее файла.
И вот когда у вас восстановленная картинка будет хотя бы отдаленно напоминать диван, тогда можно будет вас поздравить с шагом вперед в области И.И.dronab
13.09.2016 07:16Ну я подразумевал, хоть и не выразился точнее о том, что не просто добавить диван как фото, а именно как геометрические формы — потому что все диваны выглядят в целом практически одинаково, различаются мелкие детали. Как с машинами — есть определенные элементы и форма которая дает нам понимание что перед нами машина, а не мясорубка. А добавление объектов по фотографии, чтобы запоминать конкретный объект — абсолютно бесполезное занятие.
Интересный вариант, но все это очень сложно. Над такими вещами должны трудиться целые НИИ. У меня столько терпения нет и мозгов наверное)))wmtoolsnet
13.09.2016 08:11Это вы так думаете. Знаете… можно потратить целые НИИ, и человеко-месяцы на изобретение ручки чтобы писать в космосе, а можно взять простой карандаш за 5.50. Очень часто решение лежит на виду, а люди тратят время на решение придуманных самими же собою проблем.
Я сейчас в процессе завершения постройки умного дома с нуля (т.е. с фундамента), через месяц-два буду посвободнее, приведу в божеский вид те наработки что у меня есть, и куда-нибудь выложу, уверен, мы с вами найдем общие интересы :)dronab
13.09.2016 08:44Может быть вы и правы, но ресурсов и возможностей у них явно больше. А так да, иногда решение лежит на поверхности и нужно просто догадаться что нужно сделать так и потом вот так. У меня был случай я бился над одним куском программы неделю где-то. Бессонные ночи, сбился график, не могу никак победить несколько процедур — результат на выходе не такой какой мне надо. Решение оказалось чисто случайным — проснулся в 7 утра, налил кофе, открыл код и просто на него посмотрел — меня осенило, добавил всего одну переменную и немного переделал несколько процедур и все — результат выдавался такой который нужно.
Выкладывайте конечно, я думаю это будет интересно не только мне. Я далеко не профи в этой теме, но если силы есть стараюсь быть хотя бы в курсе.
Mad__Max
14.09.2016 23:23Думаю что на самом деле глаза, это вовсе не периферический сенсор, как например тактильные сенсоры, а часть мозга.
Можно не думать, а так оно и есть. Ну может не совсем часть мозга, но под сетчаткой есть собственная простая нейронная сеть которая выполняет предварительную обработку сигналов с фоточувсвительных рецепторов(палочек и колбочек) прежде чем передавать по зрительному нерву дальше в мозг.
Вопрос только считать ли эту простую сеть частью мозга вынесенной на периферию? Или это все-таки часть глаза как сложного сенсора? А так что первичной обработкой зрительной информации занимается сам глаз — это уже установленный факт.
Но в компьютерной камере собственно все тоже самое — никто не тянет по кабелю миллионы контактов от каждой ячейки ПЗС-матрицы — всегда непосредственно рядом с матрицей стоит хотя бы простейший DSP или даже простенький, но относительно полноценный микропроцессор, который так же проводит первичную обработку и по кабелю в компьютер уже передает готовый видеопоток в одном из стандартных форматов, а не сырые данные по уровню заряда в каждой из ячеек. Опционально — видеопоток идет уже сжатый по одному из эффективных алгоритмов компрессии с потерями.
iow256
Я правильно понимаю, что подобные статьи пишет программист, который профан в данной области, без системных знаний, пытается выдергивать теорию из вещей в которых он не понимает. Причем теорию с научно популярных книг, в которых описываются для массовой аудитории в очень упрощенном смысле. И бог с ним с программами. Но ведь какие заголовки вроде «Как работает мозг». И даже на это можно закрыть глаза. впечатляют комментаторы. Сейчас пошли программисты, которые даже в руках паяльник не держали, не знают как работает процессор. Складывают из высокоуровневых кубиков, незная как они работают. Мы живем во время когда первичная информация скрыта под слоем надстройки. И люди знают как работать на джаве. Но лезут в такие дебри, такие рекомендации дают.
Мне интересно, а автор который пишет программы с использованием Unity3D, хотя бы знает чем отличается барицентрический растеризатор от класического?! Автор знает как работает его смартфон?! Автор вообще в курсе о «проблеме отделимости»?! Или там чем отличаются сети Хопфилда от сетей Коско?!
Ни слова про астроциты которые тоже учавствуют в процессе, про нейромедиаторы, про нейротрансмитеры и еще 90% того чего есть. Но какие советы, какие громкие выводы делаются. Эффект Даннинга-Крюгера.
Разбирать модель и утверждать что-то — это тоже самое, что говорить что знаешь целиком целиком аэробус по бумажному самолетику.
К тому же эти модели ближе к простым алогритмам чем к живым нейронам. Т.е. в результате мы получаем логический операции XOR, AND с нелинейной логикой с задержкой по таймеру и асинхронной передачей сообщений. Зачем такие извороты, когда многие языки поддерживают все это с многопоточностью и более простыми моделями, которые делают тоже самое. Те же переключатели — работа мультиплексора/демультиплексора в схемах клавиатуры, которая перед вашим глазами. Автор не знает про RS-, D-, T-, JK- тригеры, чтоли?!
Автор и его подписчики хотя бы задумываются, что это излишняя усложненная концепция теории автоматов с идентичным результатом. Что над чем они так судорожно работают решатся алгоритмическим путем более быстро и что нет практической пользы от таких сложнозакрученных моделей?
Вот я читал всякое на форумах, а потом надо мной смеются коллеги. Один физик-ядерщик поржал над моими знаниями сказав «Меньше на хабре сиди» или практикующий хирург к которому я обращался, мол осуждающе «Ты это в интернете прочитал».
К тому же автор исходников не предоставляет. Т.е. сделана анимация все в 3ds Max
Valle
Так напиши свою серию статей если не профан.
iow256
«Критикуешь — предлагай». Если я не профан, я тем более не буду писать статьи. Настоящие знания стоят большие денег.
HurrTheDurr
Это не публикация в научном журнале. Автор читает книги, разбирается в материале, делает выводы, допиливает свою модель, делится познаниями с сообществом в наглядной форме, а исходники пообещал предоставить в последней части статьи. Лично мне не раз хотелось просто взять и смоделировать «настоящую» нервную систему согласно своим представлениям о ее работе, но никогда руки не доходили. И я очень рад, что у кого-то руки дошли не только до моделирования, но и до написания статей по теме.
Не будьте как ваш знакомый физик-ядерщик, если можете — критикуйте конструктивно, это поможет и автору, и читателям.
iow256
Вот именно что на базе «ненаучного», делаются «научные».
Вот я могу посчитать в уме «2+2» и настольный калькулятор за пару баксов тоже может с аналогичным конечным результатом. И что значит теперь калькулятор работает на 100% идентично мозгу?! Вроде ответ очевиден и ответ принимается. Но в ситуации с подобными текстами на гиктаймс почему-то это не работает. Достаточно взять на выходных и пройтись по всем публикациям и комментариям за последние 2 года и убедиться в зазнайстве людей. А еще с каким размахом споры ведуться — собралась элита отечественной академии наук, не меньше.
Поможет в чем?! Автор копипастит картинки и текста из книг. Тут критиковать придется оригинальных иследователей. А они в свою очередь именно работают непосредственно с объектами их направления. Но они не занимаются программированием как основной деятельностью. Автор «Белкин Андрей» ничего нового не предлагает. Я должен в таком случае, предложить трепарировать чужой череп что-ли или не вылазить из под МРТ?!
alex319
Здравствуйте!
Довольно давно слежу за темой на хабре и гиктаймс. Могу сказать, что представленное выше, по моему, первая попытка представить работающую модель нервной системы (не очередную нейросеть). Нейромедиаторы, триггеры и прочие элементы биологического процессов все же упомянуты, и более того частично смоделированы, если читать внимательно. Так же упоминаются и источники сигнала (к комменту ниже) — это рецепторы.
Выбранная платформа, насколько я понял, продиктована необходимостью визуализации без лишних трудозатрат.
Ну и то что данный материал является усложнением теории автоматов, это действительно верно! Ведь теория автоматов является сильным упрощением деятельности нервной системы.
Было бы здорово, если авторы статей по ИИ и биологии мозга поучаствовали в обсуждении материала, подсказали бы варианты развития недочеты. Возможно конструктивную критику бы предоставили.
От меня недочет: стоит лучше систематизировать материал. Начинайте с оглавления!
BoogerWooger
Критикуйте пожалуйста по делу. «Крик души» ваш частое явление среди профессионалов, но на публику его обычно выносят вследствие психологических проблем и комплексов, связанных с профессиональной деятельностью.
Автору большое спасибо за статьи