یکی از مهمترین قابلیت های یک شبکه عصبی اینست که اینگونه شبکه ها چندکاره هستند، مثلا قادرند چند خروجی ایجاد نمایند که همین پایه و مبنای چگونگی بدست آمدن این شبکه ها و قلبلیت چندکاره بودن آنها، عصب شناسان را مبهوت ساخته و موجب ایجاد تئوری های مختلفی در این زمینه شده است. اختلاف نظر بین این دیدگاه ها، بازتاب کننده این حقیقت است که اینها کلاس هائی از شبکه ها با معماری های گوناگون است. یکی از این دیدگاه ها اینست که (1) عملکرد یک شبکه عصبی بستگی دارد به تقابلات میان فرآیندهای غیرخطی چندگانه که در سلول، سیناپتیک و نیز سطوح شبکه روی میدهند و (2) مدولاسیون این فرآیندهای زیر ساختی میتواند کارآئی شبکه را دچار مخاطره کرده و از اینرو دچار خروجی هاغی چندگانه شود. برخی از شبکه ها اغلب اینطور تصور میشود که بشدت بهم دیگر متصل شده و توزیع شده اند که بسختی میتوان عملکردهای خاص را برای عناصر شبکه ای خاص، تشخیص داد. براساس برخی مشکلات دیده شده، این مفهوم اغلب منجر به سازماندهی عصبی زیرساخت از یک شبکه خاص نمیشود و میتواند برای دیگر شبکه ها هم بکار برده شود. بحث به شبکه هائی میرسد که ممکن است سازماندهی کوچک(مدولار) داشته باشند. در راستای مطالبی که در بالا گفتیم، (1) عناصر شبکه بعنوان ماژول سازماندهی شده اند که هر ماژول بعنوان یک ست از ارتباطات عصبی که قابلیت های تعریف شده خاصی از خروجی را انجام میدهند، تعریف شده است و (2) خروجی های چندگانه در ترکیبی از ماژول ها تولید شوند.
شبکه های محرک، میتوانند یکی از مهمترین مثال های مربوط به شبکه های چند وظیفه ای باشند که یکی از قابلیت های برجسته این سیستم، اینست که این سیستم تولید یک محدوده وسیعی از رقتارها را میکند که از همان ساختارهای عصبی و جانبی استفاده مینماید که در بعضی از موارد، این رفتارها، جزء مقوله های رفتاری خاصی قرار میگیرند(مثل راه رفتن، شنا کردن، دویدن و ...) و در برخی دیگر از موارد، انواع دیگری از یک عملکرد محرکی واحد در خلال همان مقوله رفتاری میباشد(مثل راه رفتن با سرعتهای مختلف و طول گام های متفاوت).
تحقیقات نشان داده که مقوله های رفتاری در بعضی شبکه های محرکی ممکن است توسط یک معماری(ساختار) کنترلی جانبی و ماژولی انجام گیرد. مثلا در یک سیستم ستون مهره ای( vertebrate)، موجودیت ماژول ها بطور وسیعی از مطالعات محاسباتی و تحربی نشات گرفته است.
در شبکه فیدینگ aplysia، میتوانیم الگوی تولید عصب های داخلی خاصی را مشخص نمائیم که تعداد کمی از ماژول ها را تشکیل میدهند و از طرف دیگر، قابلیت های خاص خروجی محرک را تشکیل میدهند. انواع مختلفی از رفتارهای مرتبط با فیدینگ برای تولید شدن از خلال ترکیبات قابل انعطاف از این ماژول ها پا به عرصه ظهور گذاشته اند که پیچیدگی های محاسباتی را بتوسط کاهش تعداد درجات آزادی ئی که برای ساخت رفتار استفاده شده اند را کم کرده اند. بدلیل تعداد مقولاتی که رفتارها را محدود کرده اند، موثرترین وسیله تولید رفتارهای محدود مقوله ای، تکیه بر تعداد کمی از ماژول ها در غالب یک سازماندهی ماژولی میباشد. در عوض، تولید انواع مختلف چندگانه مربوط به همان رفتار، ممکن است احتیاج به تعداد زیادی از ماژول های محاسباتی جلوگیری کننده(prohibitive) باشد.
در این موارد، میبایست مزایای محاسباتی یک سازماندهی ماژولی به صفر برسند. پس تعیین اینکه قابلیت های پارامتری مربوط به یک رفتار خاص میتواند توسط یک تعداد از ماژول ها کنترل شود، سخت(بحرانی) خواهد شد.
در این مقاله، ما از مدار فیدینگ aplysia برای رسیدن به این هدف استفاده خواهیم کرد. ما تعیین خواهیم کرد که چگونه شبکه های فیدینگ aplysia برنامه های محرک خرده(biting) را تولید میکنند که دارای امتدادهای گوناگونی هستند. ما فهمیده ایم که 4 الگوی تولید عصب های داخلی، بعنوان دو ماژولی که بلندی یا کوتاهی مدت امتداد را بهبود میبخشند، برای سازماندهی شدن بوجود آمده اند. دو دستور نزولی، برروی سازماندهی مدولار شبکه فیدینگ جهت تولید امتداد کوتاه یا بلند جمع میشوند. از همه مهمتر، اعمال ترکیبی این دو فرمان(command) در یک فرکانس مستقل برای برای تولید برنامه های biting(خرد) از امتداد متوسط بکار برده میشوند و از اینرو، نیاز به تعداد زیادی از ماژول ها رفع خواهد شد. نتسجه میگیریم که یک تعداد از ماژول ها در ارتباط با اعمال ترکیبی با رتبه بالاتر(higher-order)، ابزار مناسبی برای کنترل پارامترهای خاصس از همان رفتار میباشند.