Ένας νόμος ισχύος κρατά τις αντιλήψεις του εγκεφάλου ισορροπημένες

Ο ανθρώπινος εγκέφαλος περιγράφεται συχνά στη γλώσσα των σημείων αιχμής:Ακουμπάει μια προσεκτική γραμμή μεταξύ υψηλής και χαμηλής δραστηριότητας, μεταξύ πυκνών και αραιών δικτύων, μεταξύ τάξης και αταξίας. Τώρα, αναλύοντας τα μοτίβα πυροδότησης από έναν αριθμό ρεκόρ νευρώνων, οι ερευνητές ανακάλυψαν ένα ακόμη σημείο καμπής - αυτή τη φορά, στον νευρωνικό κώδικα, τη μαθηματική σχέση μεταξύ των εισερχόμενων αισθητηριακών πληροφοριών και της νευρωνικής αναπαράστασης αυτών των πληροφοριών από τον εγκέφαλο. Τα ευρήματά τους δημοσιεύτηκαν στο Nature τον Ιούνιο, προτείνουν ότι ο εγκέφαλος επιτυγχάνει μια ισορροπία μεταξύ της κωδικοποίησης όσο το δυνατόν περισσότερων πληροφοριών και της ευέλικτης απόκρισης στο θόρυβο, γεγονός που του επιτρέπει να δίνει προτεραιότητα στα πιο σημαντικά χαρακτηριστικά ενός ερεθίσματος αντί να καταγράφει ατελείωτα μικρότερες λεπτομέρειες. Ο τρόπος με τον οποίο επιτυγχάνει αυτό το κατόρθωμα θα μπορούσε επίσης να προσφέρει νέες γνώσεις σχετικά με τον τρόπο λειτουργίας των συστημάτων τεχνητής νοημοσύνης.

Μια πράξη εξισορρόπησης δεν είναι αυτό που οι επιστήμονες αρχικά είχαν σκοπό να βρουν. Η δουλειά τους ξεκίνησε με μια απλούστερη ερώτηση:Ο οπτικός φλοιός αντιπροσωπεύει διάφορα ερεθίσματα με πολλά διαφορετικά μοτίβα απόκρισης ή χρησιμοποιεί παρόμοια μοτίβα ξανά και ξανά; Οι ερευνητές αναφέρουν τη νευρική δραστηριότητα στο τελευταίο σενάριο ως χαμηλής διάστασης:Ο νευρικός κώδικας που σχετίζεται με αυτό θα είχε πολύ περιορισμένο λεξιλόγιο, αλλά θα ήταν επίσης ανθεκτικός σε μικρές διαταραχές στις αισθητηριακές εισροές. Φανταστείτε έναν μονοδιάστατο κώδικα στον οποίο ένα ερέθισμα αναπαρίσταται απλώς είτε ως καλό είτε ως κακό. Η ποσότητα πυροδότησης από μεμονωμένους νευρώνες μπορεί να ποικίλλει ανάλογα με την είσοδο, αλλά οι νευρώνες ως πληθυσμός θα συσχετίζονται σε μεγάλο βαθμό, τα μοτίβα πυροδότησης τους πάντα είτε αυξάνονται είτε μειώνονται μαζί στην ίδια συνολική διάταξη. Ακόμα κι αν κάποιοι νευρώνες δεν εκτοξευθούν σωστά, ένα ερέθισμα πιθανότατα θα εξακολουθούσε να επισημαίνεται σωστά.

Στο άλλο άκρο, η νευρική δραστηριότητα υψηλών διαστάσεων είναι πολύ λιγότερο συσχετισμένη. Δεδομένου ότι οι πληροφορίες μπορούν να γραφτούν ή να διανεμηθούν σε πολλές διαστάσεις, όχι μόνο κατά μήκος μερικών αξόνων όπως "καλό-κακό", το σύστημα μπορεί να κωδικοποιήσει πολύ περισσότερες λεπτομέρειες σχετικά με ένα ερέθισμα. Η αντιστάθμιση είναι ότι υπάρχει μικρότερος πλεονασμός σε ένα τέτοιο σύστημα — δεν μπορείτε να συναγάγετε τη συνολική κατάσταση από οποιαδήποτε μεμονωμένη τιμή — γεγονός που διευκολύνει την απόρριψη του συστήματος.

Τις τελευταίες δύο δεκαετίες, η έρευνα έδειξε ότι τα νευρωνικά συστήματα γενικά ευνοούσαν τις αναπαραστάσεις χαμηλών διαστάσεων. Αν και ο φυσικός κόσμος περιέχει έναν απολύτως τεράστιο όγκο πληροφοριών, ο εγκέφαλος φαινόταν να απορρίπτει πολλές από αυτές προς όφελος απλούστερων νευρωνικών περιγραφών. Αλλά μεταγενέστερες αναλύσεις έδειξαν ότι αυτό το συμπέρασμα θα μπορούσε να θεωρηθεί ως αδυναμία στα ίδια τα πειράματα:Στα πειραματόζωα παρουσιάστηκαν μόνο λίγα ερεθίσματα ή πολύ απλά ερεθίσματα και οι ερευνητές μπορούσαν να καταγράψουν μόνο από έναν περιορισμένο αριθμό νευρώνων κάθε φορά. «Φυσικά αυτά τα πειράματα έδωσαν αυτά τα αποτελέσματα», είπε ο Κένεθ Χάρις, νευροεπιστήμονας στο University College του Λονδίνου. "Δεν μπορούσαν να κάνουν κάτι διαφορετικό."

Έτσι, ο Χάρις και οι συνεργάτες του επανεξέτασαν το πρόβλημα, αφού δημιούργησαν μια νέα τεχνική για την εγγραφή από 10.000 νευρώνες ταυτόχρονα. Καθώς έδειξαν στα ποντίκια σχεδόν 3.000 εικόνες φυσικών σκηνών, παρακολούθησαν τις αποκρίσεις στον οπτικό φλοιό των ζώων και βρήκαν μια σειρά μοτίβων που ταιριάζουν με μια εικόνα υψηλότερων διαστάσεων της νευρικής δραστηριότητας.

Αλλά οι ερευνητές ανακάλυψαν επίσης κάτι αινιγματικό σχετικά με αυτή τη δραστηριότητα. Οι νευρώνες δεν νοιάζονταν για όλες τις διαστάσεις εξίσου:Μερικές διαστάσεις, ή μοτίβα πυροδότησης, κατέλαβαν τις περισσότερες από τις νευρικές αποκρίσεις στα οπτικά ερεθίσματα. Η προσθήκη άλλων διαστάσεων αύξησε περαιτέρω αυτή την προγνωστική ισχύ μόνο με όλο και μικρότερες αυξήσεις. Αυτή η αποσύνθεση ακολούθησε αυτό που είναι γνωστό ως νόμος ισχύος, μια ειδική μαθηματική σχέση «που βρίσκεται σχεδόν παντού όπου οι άνθρωποι την αναζητούν», είπε ο Jakob Macke, ένας υπολογιστικός νευροεπιστήμονας στο Τεχνικό Πανεπιστήμιο του Μονάχου που δεν συμμετείχε στη μελέτη.

Ο Χάρις και οι συνάδελφοί του είχαν προβληματιστεί σχετικά με το τι θα μπορούσε να σημαίνει. Αν και πρόσφατες μελέτες έθεσαν υπό αμφισβήτηση τη συνάφεια (και ακόμη και την επικράτηση) των νόμων για την εξουσία - ο Χάρις ειρωνεύτηκε ότι ακόμη και "η κατανομή του αριθμού των θαυμαστικών στα tweets του Ντόναλντ Τραμπ ακολουθεί έναν νόμο εξουσίας" - υπήρχε κάτι ιδιαίτερο σε αυτόν. Είχε σταθερά μια συγκεκριμένη κλίση, έναν εκθέτη που δεν μπορούσε να εξηγηθεί από τη μαθηματική δομή των ερεθισμάτων.

«Αυτό το είδος, αυτή η ποσοτική κανονικότητα στα δεδομένα», είπε ο Χάρις, «απλώς δεν συμβαίνει στη βιολογία. … Δεν είχαμε απολύτως καμία ιδέα τι σήμαινε» — αλλά φαινόταν να σημαίνει κάτι.

Αναζητώντας μια εξήγηση, στράφηκαν σε προηγούμενες μαθηματικές εργασίες για τη διαφοροποίηση των συναρτήσεων. Ανακάλυψαν ότι εάν η είσοδος χαρτογράφησης του νόμου ισχύος στην έξοδο μειωνόταν πιο αργά, μικρές αλλαγές στην είσοδο θα μπορούσαν να δημιουργήσουν μεγάλες αλλαγές στην έξοδο. Οι ερευνητές αναφέρθηκαν σε αυτό ως κατανομή της ομαλότητας:Οι έξοδοι που παράγονται από τον υποκείμενο κώδικα δεν ήταν πάντα συνεχείς.

Είναι σαν να βρίσκεσαι στα όρια της fractality, σύμφωνα με τους συν-επικεφαλείς της μελέτης, Carsen Stringer και Marius Pachitariu, οι οποίοι και οι δύο εργάζονταν στο εργαστήριο του Harris και τώρα είναι ερευνητές στο Janelia Research Campus του Ιατρικού Ινστιτούτου Howard Hughes στη Βιρτζίνια. «Αν σκέφτεστε ένα φράκταλ όπως η ακτογραμμή της Αγγλίας», είπε ο Stringer, «αν κινείστε λίγο κατά μήκος αυτής της ακτογραμμής, θα αλλάξετε πολύ γρήγορα, επειδή υπάρχουν πολλές οδοντωτές άκρες». /P>

Με όρους εγκεφάλου, αυτό σήμαινε ότι δύο πολύ παρόμοιες εικόνες θα μπορούσαν να αναπαρασταθούν από πολύ διαφορετική νευρική δραστηριότητα. «Και αυτό είναι προβληματικό», πρόσθεσε. "Εάν αλλάξει μόνο ένα pixel ή αν η εικόνα μετακινηθεί λίγο, δεν θέλετε να αλλάξει εντελώς η αναπαράστασή σας."

Αντίστροφα, αν ο νόμος της ισχύος εξασθενούσε πιο γρήγορα, οι νευρικές αναπαραστάσεις θα γίνονταν χαμηλότερες διαστάσεις. Θα κωδικοποιούσαν λιγότερες πληροφορίες, δίνοντας έμφαση σε ορισμένες βασικές διαστάσεις, αγνοώντας τις υπόλοιπες.

Συνολικά, αυτές οι αρχές υπονοούσαν ότι οι αναπαραστάσεις ήταν τόσο λεπτομερείς και υψηλών διαστάσεων όσο θα μπορούσαν να γίνουν, ενώ παρέμεναν ομαλές.

Σύμφωνα με τον Harris, ένας τρόπος για να ερμηνευτεί το εύρημα είναι ότι με μια πιο αργή αποσύνθεση, θα δοθεί υπερβολική έμφαση σε λιγότερο σημαντικές διαστάσεις (γιατί αν η καμπύλη που συσχετίζει τη νευρική δραστηριότητα με τη διάσταση γινόταν πιο επίπεδη, θα έδειχνε ότι οι νευρικοί πληθυσμοί ενδιαφέρονται για όλες οι διαστάσεις εξίσου). Οι αναπαραστάσεις των λεπτότερων λεπτομερειών σε ένα ερέθισμα θα κάλυπταν την αναπαράσταση των μεγαλύτερων χαρακτηριστικών:Ο οπτικός φλοιός θα ήταν πάντα υπερευαίσθητος σε ορισμένες ασήμαντες λεπτομέρειες, κάτι που με τη σειρά του θα καθιστούσε δύσκολη τη διατύπωση συνεκτικών αντιλήψεων και αποφάσεων. Εν τω μεταξύ, με ταχύτερη αποσύνθεση, περισσότερο βάρος από το απαραίτητο θα τοποθετηθεί στα μεγαλύτερα χαρακτηριστικά, συντριπτικά μικρότερα χαρακτηριστικά που μπορεί επίσης να είναι σχετικά.

Ο εγκέφαλος φαίνεται να το καταλαβαίνει σωστά. «Αυτό είναι σε ένα δροσερό γλυκό σημείο στο ενδιάμεσο», είπε ο Eric Shea-Brown, ένας μαθηματικός νευροεπιστήμονας στο Πανεπιστήμιο της Ουάσιγκτον που δεν συμμετείχε στη μελέτη. "Είναι μια ισορροπία μεταξύ του να είσαι ομαλή και συστηματική, από την άποψη της αντιστοίχισης όπως εισροές σε απαντήσεις αρεστές, αλλά εκτός από αυτό, έκφραση όσο το δυνατόν περισσότερων για την εισαγωγή."

Ο Χάρις και η ομάδα του πραγματοποίησαν ένα άλλο πείραμα για να δοκιμάσουν την ιδέα τους. Η ιδιαίτερη κλίση του νόμου ισχύος που βρήκαν εξαρτιόταν από το ότι τα εισερχόμενα ερεθίσματα είναι υψηλών διαστάσεων, όπως είναι βέβαιο ότι θα είναι κάθε σύνθετη εικόνα. Ωστόσο, υπολόγισαν ότι εάν οι εισερχόμενες οπτικές εισροές ήταν απλούστερες και μικρότερες διαστάσεις, η κλίση θα έπρεπε να είναι πιο απότομη για να αποφευχθεί η κατάρρευση της ομαλότητας.

Αυτό ακριβώς είδαν όταν ανέλυσαν τη νευρική δραστηριότητα ποντικών που παρουσιάστηκαν με εικόνες χαμηλών διαστάσεων.

Οι ερευνητές θέλουν τώρα να προσδιορίσουν τον βιολογικό μηχανισμό που καθιστά δυνατό αυτόν τον νόμο ισχύος. Ελπίζουν επίσης να συνεχίσουν να διερευνούν τον ρόλο που μπορεί να παίζει σε άλλες περιοχές του εγκεφάλου, σε άλλες εργασίες ή συμπεριφορές και σε μοντέλα ασθενειών.

Ένα δελεαστικό πλαίσιο που αρχίζουν να εξερευνούν είναι η τεχνητή νοημοσύνη. Τα συστήματα βαθιάς μάθησης έχουν το δικό τους πρόβλημα με τις διαταραχές της ομαλότητας:Μετά την εκπαίδευση, μπορεί να είναι σε θέση να χαρακτηρίσουν με ακρίβεια μια εικόνα ως panda, αλλά οι αλλαγές που έγιναν σε μια χούφτα εικονοστοιχείων - που θα ήταν πρακτικά αόρατα στο ανθρώπινο μάτι - μπορεί να οδηγήσουν να ταξινομήσουν την εικόνα ως χιμπατζή. «Είναι ένα παθολογικό χαρακτηριστικό αυτών των δικτύων», είπε ο Χάρις. "Πάντα θα υπάρχουν κάποιες λεπτομέρειες στις οποίες είναι υπερευαίσθητοι."

Οι επιστήμονες υπολογιστών προσπαθούν να προσδιορίσουν γιατί συμβαίνει αυτό και ο Χάρις πιστεύει ότι τα ευρήματα της ομάδας του μπορεί να προσφέρουν κάποιες ενδείξεις. Οι προκαταρκτικές αναλύσεις των δικτύων βαθιάς μάθησης έχουν αποκαλύψει ότι ορισμένα από τα στρώματά τους συνήθως υπακούουν σε νόμους ισχύος που αποσυντίθενται πιο αργά από εκείνους που παρατηρήθηκαν στα πειράματα με ποντίκια. Οι Harris, Stringer και οι συνάδελφοί τους υποπτεύονται ότι αυτά τα δίκτυα μπορεί να είναι ευάλωτα επειδή, σε αντίθεση με τα δίκτυα στον εγκέφαλο, παράγουν αναπαραστάσεις που δεν είναι εντελώς συνεχείς. Ίσως, είπε ο Χάρις, μπορεί να είναι δυνατό να εφαρμοστούν τα μαθήματα του νόμου της εξουσίας που μελετά σε δίκτυα βαθιάς μάθησης για να γίνουν πιο σταθερά. Αλλά αυτή η έρευνα είναι ακόμη στις πρώτες μέρες της, σύμφωνα με τον Macke, ο οποίος μελετά επίσης νόμους ισχύος σε δίκτυα βαθιάς μάθησης.

Ο Shea-Brown εξακολουθεί να πιστεύει ότι είναι ένα καλό μέρος για να ξεκινήσετε. «Οι συνεχείς και ομαλές σχέσεις», είπε, «φαίνονται προφανώς σημαντικές για τη δημιουργία της ικανότητας γενίκευσης και σύγκρισης διαφορετικών τύπων καταστάσεων σε ένα περιβάλλον». Οι επιστήμονες αρχίζουν να κατανοούν πώς ο εγκέφαλος χρησιμοποιεί το πλήρες δίκτυο νευρώνων του για να κωδικοποιήσει αναπαραστάσεις του κόσμου. Τώρα, με "αυτό το εκπληκτικό και όμορφο αποτέλεσμα", έχουν και "έναν νέο στόχο ... και ένα πολύ χρήσιμο σημείο αναφοράς" στο χέρι για να σκεφτούν αυτόν τον κώδικα.

Ο Χάρις σημείωσε ότι η απροσδόκητη παρουσία αυτού του νόμου ισχύος στον οπτικό φλοιό «ήταν απλώς κάτι που προέκυψε στα δεδομένα». Τώρα που μπορούν να επιδιωχθούν άλλα ερευνητικά ερωτήματα χρησιμοποιώντας την τεχνική της ομάδας του για απεικόνιση και ανάλυση χιλιάδων νευρώνων ταυτόχρονα, «αυτό το πράγμα με τον νόμο ισχύος θα είναι πιθανώς ένα πολύ βασικό πρώτο εύρημα», με πολλές άλλες απροσδόκητες γνώσεις στον ορίζοντα. "Όλη αυτή η προσέγγιση πρόκειται να αλλάξει εντελώς τον τρόπο που σκεφτόμαστε τα πράγματα."

Σημείωση του συντάκτη:Ο Kenneth Harris λαμβάνει χρηματοδότηση από το Ίδρυμα Simons, το οποίο χρηματοδοτεί επίσης αυτό το εκδοτικά ανεξάρτητο περιοδικό.