Parametric neural control differentiates top neural network models of primate visual cortex

يعد الدماغ البشري آلة شاسعة ومعقدة لاستيعاب العالم، وفي مقدمة هذه الآلة تقع القشرة البصرية، وهي منطقة مخصصة بالكامل لمعالجة ما نراه. لعقود من الزمن، حاول العلماء بناء برامج حاسوبية تحاكي هذه الآلية البيولوجية. هذه البرامج، المعروفة باسم الشبكات العصبية العميقة، يتم تدريبها على ملايين الصور الفوتوغرافية حتى تتعلم التعرف على الأشياء والوجوه والمشاهد بمهارة تضاهي مهارتنا. وعندما يختبر الباحثون هذه البرامج، يجدون غالبًا أن النماذج الأكثر تقدمًا تتنبأ بكيفية استجابة الخلايا العصبية في دماغ قرد عند عرض صورة طبيعية عليها بدقة مذهلة. أدى هذا النجاح إلى افتراض مطمئن: إذا كانت النماذج الحاسوبية المختلفة قادرة جميعها على التنبؤ بالنشاط الدماغي بهذه الجودة، فلا بد أنها تستخدم جميعًا المنطق الداخلي نفسه لفهم العالم المرئي. بدا الأمر كما لو أن الطريق لفهم الدماغ قد وُجد أخيرًا، وأن كل هذه النماذج الناجحة قد تقاربت نحو طريقة واحدة وصحيحة للرؤية.

ومع ذلك، تتحدى دراسة جديدة هذا الاستنتاج المطمئن، مشيرة إلى أن الدقة العالية في التنبؤ لا تعني بالضرورة أن النماذج قد استوعبت حقًا منطق الدماغ. فقد سعى الباحثون، الذين عملوا مع خمسة من قرود المكاك، لاختبار ما إذا كانت هذه النماذج الحاسوبية مجرد تخمن بشكل صحيح أم أنها تفهم بالفعل القواعد المحددة التي تحكم استجابة الخلايا العصبية. لقد ابتكروا طريقة جديدة لسبر أغوار النماذج، متجاوزين مجرد التعرف على الصور البسيطة إلى شكل أكثر مباشرة من التفاعل. فبدلاً من مجرد عرض الصور على النماذج والتحقق مما إذا كانت قد خمنت الاستجابة الدماغية الصحيحة، استخدم العلماء النماذج لتوليد تغييرات محددة ومنضبطة على الصورة. لقد أخذوا الإعدادات الداخلية لكل نموذج وحولوها إلى مجموعة من التعليمات لكيفية تعديل الصورة لجعل الخلية العصبية تطلق إشارات أكثر أو أقل. هذه العملية، التي أطلق عليها الباحثون اسم "تعزيز الميزات المتوافقة مع المحاور"، سمحت لهم بإنشاء آلاف الصور الاختبارية الفريدة المصممة لدفع الاستجابة العصبية في اتجاه معين.

قام الفريق بتوليد أكثر من 27,500 من هذه المحفزات المخصصة من عشرة نماذج رؤية رائدة وعرضوها على قرود المكاك في تجربة ذات حلقة مغلقة. سمح هذا الإعداد للباحثين باستهداف مناطق محددة من القشرة البصرية، بدءًا من المراحل المبكرة حيث تتم معالجة الأشكال البسيطة وصولاً إلى المستويات العليا حيث يتم التعرف على الأشياء المعقدة. كانت النتائج مفاجئة؛ فبالرغم من أن النماذج العشرة أدت أداءً متساوياً عند التنبؤ بالاستجابات للصور الفوتوغرافية الطبيعية القياسية، إلا أنها انهارت عندما طُلب منها التحكم في الخلايا العصبية باستخدام محفزاتها المخصصة. فشلت معظم النماذج في إنتاج التغييرات المتوقعة في الإطلاق العصبي. كانت خرائطها الداخلية للعالم المرئي، رغم كونها جيدة بما يكفي للتخمين، غير متوافقة جوهريًا مع الضبط الفعلي للخلايا العصبية. لم تكن النماذج تلتقط التفاصيل الدقيقة لكيفية استجابة الخلايا العصبية للعالم، بل كانت ببساطة تجد اختصارات إحصائية تعمل مع الصور الطبيعية ولكنها تنهار تحت التدقيق الوثيق.

كان هناك استثناء ملحوظ واحد لهذا الفشل؛ إذ أظهر نموذجان، تم تدريبهما باستخدام تقنية محددة تسمى "التدريب الخصومي"، ميزة ثابتة. كانت هذه النماذج أفضل في التحكم في الإطلاق العصبي، مما يشير إلى أن معاملاتها الداخلية كانت أقرب إلى خصائص الدماغ. ومع ذلك، وجدت الدراسة أن القدرة على الصمود أمام هذه الحيل الخصومية لم تكن هي القصة بأكملها. فلم تكن القدرة على التحكم في الخلايا العصبية مرتبطة بقوة بمدى مقاومة النموذج للهجمات الاصطناعية، بل كان العامل الرئيسي شيئًا أكثر جوهرية: وهو الهيكل الترددي المكاني للمدخلات المتدرجة. وبعبارة أخرى، يشير هذا إلى نمط البكسلات المحدد الذي يؤثر على قرار النموذج. النماذج التي نجحت بشكل أفضل كانت تلك التي يتوافق فيها توزيع البكسلات المؤثرة على محور الترميز مع الطريقة التي يعالج بها الدماغ بالفعل المعلومات المرئية.

تؤسس هذه الأبحاث طريقة جديدة وأكثر صرامة لاختبار مدى توافق النماذج الحاسوبية مع الدماغ. فمن خلال الانتقال من التنبؤ السلبي إلى التحكم النشط، أثبت العلماء أن الدقة العالية في الاختبارات القياسية يمكن أن تخفي عيوبًا عميقة في كيفية تمثيل النموذج للعالم المرئي. وتشير النتائج إلى أنه بينما تبدو النماذج الحالية مثيرة للإعجاب، فإن معظمها لم يتقارب بعد مع المعايير البيولوجية الحقيقية لمساحة الصور الطبيعية. وفقط من خلال اختبار ما إذا كان بإمكان النموذج أن يقود النشاط العصبي بشكل سببي عبر ميزات محددة ومعززة، يمكننا معرفة ما إذا كان يفهم حقًا العالم المرئي كما يفعل دماغ الرئيسيات.