Ваш мозок постійно жонглює сенсорною інформацією, щоб прийняти рішення за частки секунди, але як?
Нова модель латентної схеми, розроблена дослідниками Прінстона, показує, що невеликі групи нейронів діють як ватажки, що приймають рішення, спрощуючи складну нейронну діяльність. Це відкриття не тільки проливає світло на стан психічного здоров’я, але також може покращити ШІ, зробивши машини розумнішими в обробці інформації, як і люди.
Нове розуміння процесу прийняття рішень мозком
Нова математична модель допомагає вченим зрозуміти, як мозок обробляє різні типи інформації, наприклад картини та звуки, коли приймає рішення. Розроблене нейробіологами Прінстона, це дослідження може зрештою покращити наше розуміння збоїв у роботі мозкових ланцюгів при таких неврологічних розладах, як хвороба Альцгеймера. Це також може сприяти розвитку штучного інтелекту, роблячи такі технології, як Alexa та безпілотні автомобілі, більш ефективними. Висновки були опубліковані 10 лютого в журналі Nature Neuroscience.
Комплексний акт балансування сенсорної інформації
Щоденне прийняття рішень залежить від здатності мозку обробляти декілька сенсорних сигналів одночасно. Уявіть, що ви йдете на роботу: ви бачите, що сигнал на пішохідному переході стає зеленим, що означає, що переходити можна безпечно. Коли ви робите крок вперед, лунає сирена швидкої допомоги, змушуючи вас зупинитися. Ваш мозок швидко сортує цю суперечливу інформацію, допомагаючи вам зробити найбезпечніший вибір.
Те, як мозок жонглює суперечливою та пов’язаною сенсорною інформацією, такою як кольорові сигнали та гучні сирени, і приймає розумне рішення, давно вивчено, але досі залишається загадкою.
Префронтальна кора головного мозку: центр прийняття рішень у мозку
Одна з областей мозку, яка має вирішальне значення для прийняття рішень, — це префронтальна кора головного мозку, яка розташована відразу за очима і вважається епіцентром вищого пізнання.
Попередні дослідження показали, що реакція окремих клітин головного мозку в префронтальній корі під час прийняття рішень є багатогранною та складною. Наприклад, нейрон у префронтальній корі може спрацьовувати лише у відповідь на зелене світло світлофора, коли автомобіль блокує пішохідний перехід. Однак уніфіковане розуміння того, як клітини мозку в префронтальній корі обробляють сенсорну інформацію, як-от сигнали світлофора, а потім генерують поведінкові результати, як-от рішення пройти по дорозі, уникло дослідників.
Новий математичний підхід: модель латентного контуру
Раніше використовувалися різні математичні підходи, щоб спробувати зрозуміти ланцюгові механізми, що зв’язують нервову динаміку з поведінковими результатами, кожен зі своїми обмеженнями. Один підхід зосереджений на рекурентних нейронних мережах, типу моделі нейронних ланцюгів, яка складається з багатьох рекурентно з’єднаних одиниць. Рекурентні нейронні мережі можна навчити виконувати завдання прийняття рішень, але щільність їхніх рекурентних зв’язків ускладнює їх інтерпретацію.
У своїй недавній статті дослідник Крістофер Ленгдон, доктор філософії, і доцент кафедри нейронаук Тетяна Енгель, доктор філософії, пропонують нову математичну структуру для кращого пояснення процесу прийняття рішень, яка називається моделлю прихованої схеми.
Підхід «лідера» до нейронної активності
Замість складної рекурентної моделі нейронної мережі Ленгдон і Енгель пропонують підхід типу дерев замість підходу лісу. Щоб отримати сенс у великій мережі мозкової активності та спробі зрозуміти, як на поведінку кожної клітини впливає інша, можливо, лише кілька ватажків нервових клітин можуть пояснити діяльність цілого натовпу та вплинути на прийняття рішень, що нейробіологи називають «низькомірним» механізмом.
«Мета дослідження полягала в тому, щоб зрозуміти, чи працюють низьковимірні механізми всередині великих рекурентних нейронних мереж», — сказав Ленґдон.
Тестування моделі: експеримент із прийняття рішень
Щоб перевірити свою гіпотезу, Ленгдон і Енгель спочатку застосували свою нову модель до рекурентних нейронних мереж, навчених виконувати контекстно-залежне завдання прийняття рішень. Завдання, яке виконують люди, мавпи чи комп’ютери, починається з форми на екрані (квадрат чи трикутник, контекстна підказка), за якою йде рухома сітка (сенсорна підказка). Виходячи з форми, учасника просять повідомити або про колір (червоний проти зеленого), або про рух (ліворуч проти правого) рухомої сітки.
Прихований механізм перемикання мозку
Використовуючи свою нову модель, Ленгдон і Енгель виявили, що коли рух є важливою ознакою для відстеження учасників, клітини префронтальної кори головного мозку, які обробляють форму, відключають сусідні клітини, які звертають увагу на колір. Протилежне було правдою, коли попросили відрізнити червоний від зеленого.
«Було дуже захоплююче знайти інтерпретований конкретний механізм, який ховається у великій мережі», — сказав Ленґдон.
Перевірка прогнозів моделі
Модель латентної схеми робить прогнози щодо того, як має змінитися вибір, коли сила зв’язків між різними латентними вузлами змінюється. Це потужно, оскільки дозволяє дослідникам перевірити, чи справді потрібна латентна структура підключення для підтримки виконання завдання. Дійсно, автори виявили, що продуктивність завдання постраждала передбачуваним чином при видаленні певних з’єднань у схемі.
«Класна річ у нашій новій роботі полягає в тому, що ми показали, як ви можете перенести всі ті речі, які ви можете робити за допомогою схеми, у велику мережу», — сказав Ленґдон. «Коли ви вручну створюєте маленьку нейронну схему, ви можете зробити багато речей, щоб переконати себе, що ви її розумієте. Ви можете грати зі з’єднаннями та вузлами збурень, і мати певне уявлення про те, що має статися з поведінкою, коли ви граєте зі схемою таким чином».
Людський мозок, у якому більше нейронів, ніж зірок у Чумацькому Шляху , надзвичайно складний. Однак ця нова модель латентної схеми відкриває нові можливості для виявлення механізмів, які пояснюють, як зв’язок між сотнями клітин мозку призводить до обчислень, які змушують людей робити різні вибори.
Наслідки для психічного здоров’я та ШІ
Проблеми з прийняттям рішень є ознакою кількох складних розладів психічного здоров’я, починаючи від депресії до синдрому дефіциту уваги та гіперактивності. Розкриваючи математичні обчислення, які виконує мозок, щоб допомогти людям приймати рішення, ці висновки можуть допомогти краще зрозуміти ці складні умови та підвищити здатність приймати рішення за допомогою технологій від цифрових помічників, таких як Alexa, до безпілотних автомобілів. Однак перші кроки передбачають застосування цієї нової моделі до інших завдань прийняття рішень, які зазвичай використовуються в лабораторії.
«Багато завдань із жорстко контрольованого прийняття рішень, які вивчають експериментатори, я вважаю, що вони, ймовірно, мають відносно прості приховані механізми», — сказав Ленґдон. «Я сподіваюся, що ми зможемо почати шукати ці механізми зараз у цих наборах даних».
