317
Ваш мозг постоянно жонглирует сенсорной информацией, чтобы принять решение за доли секунды, но как?
Новая модель латентной схемы, разработанная исследователями Принстона, показывает, что небольшие группы нейронов действуют как предводители, принимающие решения, упрощая сложную нейронную деятельность. Это открытие не только проливает свет на состояние психического здоровья, но также может улучшить ИИ, сделав машины более умными в обработке информации, как и люди.
Новое понимание процесса принятия решений мозгом
Новая математическая модель помогает ученым понять, как мозг обрабатывает различные типы информации, например, картины и звуки, когда принимает решения. Разработанное нейробиологами Принстона, это исследование может наконец улучшить наше понимание сбоев в работе мозговых цепей при таких неврологических расстройствах, как болезнь Альцгеймера. Это также может способствовать развитию искусственного интеллекта, делая такие технологии, как Alexa и беспилотные автомобили более эффективными. Выводы были опубликованы 10 февраля в журнале Nature Neuroscience.
Комплексный акт балансировки сенсорной информации
Ежедневное принятие решений зависит от способности мозга обрабатывать несколько сенсорных сигналов одновременно. Представьте, что вы идете на работу: вы видите, что сигнал на пешеходном переходе становится зелёным, что означает, что переходить можно безопасно. Когда вы делаете шаг вперед, раздается сирена скорой помощи, заставляя вас остановиться. Ваш мозг быстро сортирует эту спорную информацию, помогая вам сделать самый безопасный выбор.
То, как мозг жонглирует противоречивой и связанной сенсорной информацией, такой как цветные сигналы и громкие сирены, и принимает разумное решение давно изучено, но до сих пор остается загадкой.
Префронтальная кора головного мозга: центр принятия решений в мозге
Одна из областей мозга, имеющая решающее значение для принятия решений, – это префронтальная кора головного мозга, которая расположена сразу за глазами и считается эпицентром высшего познания.
Предыдущие исследования показали, что реакция отдельных клеток головного мозга в префронтальной коре при принятии решений многогранна и сложна. Например, нейрон в префронтальной коре может срабатывать только в ответ на зеленый свет светофора, когда автомобиль блокирует пешеходный переход. Однако унифицированное понимание того, как клетки мозга в префронтальной коре обрабатывают сенсорную информацию, например сигналы светофора, а затем генерируют поведенческие результаты, например решение пройти по дороге, избежало исследователей.
Новый математический подход: модель латентного контура
Ранее использовались различные математические подходы, чтобы попытаться понять цепные механизмы, связывающие нервную динамику с поведенческими результатами, каждый со своими ограничениями. Один подход сосредоточен на рекуррентных нейронных сетях, типа модели нейронных цепей, состоящей из многих рекуррентно соединенных единиц. Рекуррентные нейронные сети можно научить выполнять задачи принятия решений, но плотность их рекуррентных связей затрудняет их интерпретацию.
В своей недавней статье исследователь Кристофер Лэнгдон, доктор философии, и доцент кафедры нейронаук Татьяна Энгель, доктор философии, предлагают новую математическую структуру для лучшего объяснения процесса принятия решений, которая называется моделью скрытой схемы.
Подход «лидера» к нейронной активности
Вместо сложной рекуррентной модели нейронной сети Лэнгдон и Энгель предлагают подход типа деревьев вместо подхода леса. Чтобы получить смысл в большой сети мозговой активности и попытке понять, как на поведение каждой клетки влияет другая, возможно, несколько вожаков нервных клеток могут объяснить деятельность целой толпы и повлиять на принятие решений, которые нейробиологи называют «низкомерным» механизмом.
«Цель исследования состояла в том, чтобы понять, работают ли низкомерные механизмы внутри крупных рекуррентных нейронных сетей», — сказал Лэнгдон.
Тестирование модели: эксперимент по принятию решений
Чтобы проверить свою гипотезу, Лэнгдон и Энгель сначала применили свою новую модель к рекуррентным нейронным сетям, обученным выполнять контекстно-зависимую задачу принятия решений. Задача, которую выполняют люди, обезьяны или компьютеры, начинается с формы на экране (квадрат или треугольник, контекстная подсказка), за которой следует движущаяся сетка (сенсорная подсказка). Исходя из формы, участника просят сообщить либо о цвете (красном против зеленого), либо о движении (слева против правого) подвижной сетки.
Скрытый механизм переключения мозга
Используя свою новую модель, Лэнгдон и Энгель обнаружили, что когда движение является важным признаком для отслеживания участников, клетки префронтальной коры головного мозга, обрабатывающие форму, отключают соседние клетки, обращающие внимание на цвет. Обратное было правдой, когда попросили отличить красный от зеленого.
"Было очень увлекательно найти интерпретированный конкретный механизм, который скрывается в большой сети", - сказал Лэнгдон.
Проверка прогнозов модели
Модель латентной схемы делает прогнозы по поводу того, как должен измениться выбор, когда сила связей между разными латентными узлами изменяется. Это мощно, поскольку позволяет исследователям проверить, нужна ли латентная структура подключения для поддержания выполнения задачи. Действительно, авторы обнаружили, что производительность задачи пострадала предполагаемым образом при удалении определенных соединений в схеме.
"Классная вещь в нашей новой работе заключается в том, что мы показали, как вы можете перенести все те вещи, которые вы можете делать с помощью схемы, в большую сеть", - сказал Лэнгдон. «Когда вы вручную создаете маленькую нейронную схему, вы можете сделать многое, чтобы убедить себя, что вы ее понимаете. Вы можете играть с соединениями и узлами возмущений и иметь определенное представление о том, что должно произойти с поведением, когда вы играете со схемой таким образом».
Человеческий мозг, в котором больше нейронов, чем звезд в Млечном Пути, чрезвычайно сложен. Однако эта новая модель латентной схемы открывает новые возможности для выявления механизмов, объясняющих, как связь между сотнями клеток мозга приводит к вычислениям, заставляющим людей делать разные выборы.
Последствия для психического здоровья и ИИ
Проблемы с принятием решений являются признаком нескольких сложных расстройств психического здоровья, начиная с депрессии до синдрома дефицита внимания и гиперактивности. Раскрывая математические вычисления, которые выполняет мозг, чтобы помочь людям принимать решения, эти выводы могут помочь лучше понять эти сложные условия и повысить способность принимать решения с помощью технологий от цифровых помощников, таких как Alexa, до беспилотных автомобилей. Однако первые шаги предполагают применение этой новой модели к другим задачам принятия решений, обычно используемых в лаборатории.
«Многие задачи из жестко контролируемого принятия решений, которые изучают экспериментаторы, я считаю, что они, вероятно, имеют относительно простые скрытые механизмы», — сказал Лэнгдон. "Я надеюсь, что мы сможем начать искать эти механизмы сейчас в этих наборах данных".
