Task learning increases information redundancy of neural responses in macaque visual cortex

Die Studie zeigt, dass das Erlernen visueller Diskriminierungsaufgaben bei Makaken die Informationsredundanz in den neuronalen Antworten des visuellen Kortex V4 erhöht, was die Vorhersagen der bayesschen Inferenz stützt und auf einen generativen Verarbeitungsprozess im Gehirn hindeutet.

Das Wesentliche

Wenn das Gehirn lernt: Mehr Lärm, aber bessere Musik?

Stell dir vor, du betrittst einen riesigen, lauten Konzertsaal. In diesem Saal sitzen Tausende von Musikern (das sind die Neuronen in deinem Gehirn), die alle gleichzeitig spielen.

Früher dachten Wissenschaftler, dass Lernen wie das Ordnungschaffen in diesem Saal funktioniert. Die Idee war: Wenn wir etwas Neues lernen (z. B. einen neuen Tanz oder ein Spiel), schickt das Gehirn Befehle, damit jeder Musiker leiser spielt und nur das absolut Notwendige spielt. Das Ziel war: Weniger Lärm, weniger Wiederholungen, maximale Effizienz. Man dachte, das Gehirn würde wie ein sparsamer Manager arbeiten, der jede unnötige Information wegwirft, um Energie zu sparen.

Aber diese neue Studie zeigt das genaue Gegenteil.

Die Forscher haben zwei Affen beobachtet, die lernten, feine Unterschiede in Linien auf einem Bildschirm zu erkennen (z. B. ist die Linie schräg oder gerade?). Während die Affen über Wochen hinweg immer besser wurden, passierte im Gehirn etwas Überraschendes: Die Musiker wurden lauter und synchroner.

Die Metapher: Der Chor, der sich einigt

Stell dir das Gehirn nicht als einsamen Solisten vor, sondern als einen Chor.

1. Der alte Glaube (Der effiziente Manager):
   Wenn der Chor eine neue Aufgabe bekommt, sollte jeder Sänger nur seinen eigenen Part singen und sich nicht von den anderen ablenken lassen. Wenn alle Sänger zu sehr aufeinander hören, entsteht ein „Echo" (Redundanz). Das alte Modell sagte: „Lernen bedeutet, dieses Echo zu unterdrücken, damit jeder klar und deutlich seinen eigenen Ton trifft."

2. Die neue Entdeckung (Der harmonische Chor):
   Die Studie zeigt, dass Lernen genau das Gegenteil bewirkt. Wenn die Affen die Aufgabe verstanden, begannen die Neuronen, sich abzustimmen. Sie fingen an, sich gegenseitig zuzuhören und ihre Signale zu synchronisieren.

   • Das klingt nach Chaos? Nein! Stell dir vor, ein Chor probiert ein neues Lied. Am Anfang singt jeder etwas durcheinander. Aber je besser sie das Lied kennen, desto mehr stimmen sie sich aufeinander ab. Sie singen nicht nur lauter, sie singen gemeinsam.
   • Warum ist das gut? Weil das Gehirn nicht nur den „Sänger" (ein einzelnes Neuron) betrachtet, sondern den Chor als Ganzes. Durch diese Synchronisation (die Forscher nennen es „Redundanz") wird die Information robuster. Es ist wie bei einem Sicherheitsnetz: Wenn ein Neuron ausfällt oder einen Fehler macht, wissen die anderen genau, was gemeint war, weil sie alle denselben „Gedanken" teilen.

Was bedeutet das für uns?

Die Studie widerlegt die Idee, dass das Gehirn beim Lernen Informationen „wegschmeißt", um effizienter zu werden. Stattdessen verteilt es die Information.

• Die Analogie mit dem Brief:
  Stell dir vor, du musst einen wichtigen Brief an einen Freund schicken.
  • Der alte Weg: Du schreibst den Brief nur einmal und hoffst, er kommt an. (Einzelne Neuronen tragen die ganze Last).
  • Der neue Weg (Lernen): Du schreibst den Brief nicht nur einmal, sondern kopierst ihn 100-mal und schickst alle Kopien gleichzeitig. Jeder Brief enthält fast die gleiche Information (Redundanz).
  • Der Vorteil: Wenn 99 Briefe verloren gehen oder beschädigt sind, reicht der eine verbleibende Brief aus, um die Nachricht zu verstehen. Das Gehirn nutzt diese „Verschwendung", um die Nachricht sicherer und klarer zu machen.

Das Fazit in einem Satz

Wenn wir etwas lernen, macht unser Gehirn nicht alles „kleiner und effizienter". Stattdessen baut es ein sicheres, gemeinsames Netzwerk auf, in dem alle Neuronen miteinander reden und sich gegenseitig bestätigen. Das Gehirn lernt nicht, weniger zu denken, sondern besser zusammenzuarbeiten.

Es ist, als würde das Gehirn sagen: „Wir sind nicht hier, um Energie zu sparen, wir sind hier, um sicherzustellen, dass wir die Wahrheit verstehen, egal wie laut der Lärm um uns herum ist."

Technische Zusammenfassung

1. Problemstellung und theoretischer Hintergrund

Das zentrale Ziel der Studie ist es zu klären, wie das Gehirn sensorische Informationen für die Entscheidungsfindung in neuen Aufgaben optimiert. Es existieren zwei konkurrierende theoretische Rahmenwerke:

• Der „klassische" Ansatz (Diskriminativ): Geht davon aus, dass Lernen und Aufmerksamkeit die neuronalen Repräsentationen optimieren, indem sie Redundanz und informationslimitierende Korrelationen reduzieren. Das Ziel ist eine effizientere Entschlüsselung für nachgeschaltete Entscheidungsschaltkreise.
• Der „generative Inferenz"-Ansatz (Bayesianisch): Geht davon aus, dass das Gehirn ein internes generatives Modell der Welt invertiert. Neuronen repräsentieren hier „posteriore" Überzeugungen, die sensorische Evidenz mit vorherigen Erwartungen (Priors) kombinieren. Dieser Ansatz sagt voraus, dass Lernen die Informationsredundanz erhöht, da Informationen durch Feedback-Signale zwischen Neuronen geteilt werden, was sich in korrelierter Variabilität äußert.

Die Studie testet diese gegensätzlichen Vorhersagen, indem sie untersucht, wie sich die Informationsredundanz in der neuronalen Population während des Lernens verhält.

2. Methodik

• Versuchstiere und Aufgabe: Zwei Rhesus-Makaken (Macaca mulatta) wurden über mehrere Wochen auf zwei grobe Orientierungsdiskriminierungsaufgaben trainiert:
  • Kardinal-Aufgabe: Unterscheidung zwischen 0° und 90°.
  • Oblique-Aufgabe: Unterscheidung zwischen 45° und 135°.
  • Die Stimuli waren dynamisches Rauschen mit variierender Orientierungs-Kohärenz (Signalstärke).
• Datenerfassung:
  • Es wurden Populationen von Neuronen im visuellen Kortex Area V4 mit 96-Kanal Utah-Arrays aufgezeichnet.
  • Es wurden sowohl Einzelneuronen (Single Units) als auch Multi-Units analysiert.
  • Neben aktiven Aufgabenphasen wurden auch passive Betrachtungssessions (Passive Viewing) durchgeführt, um den Einfluss der aktiven Aufgabenbeteiligung zu isolieren.
• Analyse der Informationsredundanz:
  • Die Autoren verwendeten die lineare Fisher-Information ($I$) als Maß für die Informationsmenge.
  • $I_{real}$: Die tatsächliche Fisher-Information der neuronalen Population unter Berücksichtigung der Korrelationen.
  • $I_{shuffle}$: Die Fisher-Information, wenn Trial-Shuffling durchgeführt wird, um alle Korrelationen zu zerstören (Annahme unabhängiger Neuronen).
  • Redundanz ($I_{redundancy}$): Definiert als Differenz $I_{shuffle} - I_{real}$. Ein positiver Wert deutet auf informationslimitierende Korrelationen hin.
  • Der Lernfortschritt wurde durch einen „Learning Index" quantifiziert, der die Ähnlichkeit der Verhaltensstrategie des Tieres mit der eines idealen Beobachters misst.

3. Wichtige Beiträge und Ergebnisse

Die Studie liefert starke empirische Belege für die Vorhersagen des generativen Inferenz-Modells und widerlegt die klassische Annahme einer Redundanzreduktion durch Lernen.

• Zunahme der Redundanz durch Lernen:

  • Mit fortschreitendem Training (über Wochen) nahm die Informationsredundanz ($I_{redundancy}$) signifikant zu.
  • Es bestand eine starke positive Korrelation zwischen dem Learning Index (Verhaltensleistung) und der Redundanz: Je besser das Tier die Aufgabe löste, desto stärker waren die informationslimitierenden Korrelationen.
  • Dieser Effekt war spezifisch für die aktive Aufgabenbewältigung; in passiven Betrachtungssessions trat keine konsistente Zunahme der Redundanz auf.

• Mechanismus: Erhöhung der marginalen Information pro Neuron:

  • Entgegen der klassischen Erwartung führte die Zunahme der Redundanz nicht zu einem Verlust an Gesamtinformation.
  • Stattdessen stieg die Fisher-Information, die von einzelnen Neuronen getragen wird ($I_{shuffle}$), stärker an als die Gesamtinformation der Population ($I_{real}$).
  • Das bedeutet: Das Gehirn lernt, Informationen zwischen Neuronen zu verteilen (Redistribution). Jeder einzelne Neuron trägt mehr Information bei, aber diese Informationen sind korreliert. Für nachgeschaltete Bereiche, die nur eine Teilmenge der Neuronen auslesen, ist dies vorteilhaft.

• Dynamik innerhalb eines Trials:

  • Die Redundanz nahm nicht nur über Tage/Wochen zu, sondern auch innerhalb eines einzelnen Trials (über 1,6 Sekunden).
  • Dies unterstützt das Modell der hierarchischen Bayes'schen Inferenz, bei dem frühe sensorische Evidenz als Prior für spätere Evidenz dient und so die Korrelationen im Laufe des Trials ansteigen.

• Rolle der Feedback-Signale:

  • Da die Redundanz nur bei aktiver Aufgabenbewältigung und nicht bei passiver Betrachtung zunahm, deuten die Ergebnisse darauf hin, dass top-down Feedback-Signale (z. B. aus parietalen oder präfrontalen Arealen) die Verteilung von Informationen steuern und Prior-Überzeugungen in den sensorischen Kortex zurückmelden.

4. Signifikanz und Implikationen

• Paradigmenwechsel: Die Ergebnisse stellen die vorherrschende Ansicht in Frage, dass Lernen im sensorischen Kortex universell zu effizienteren, weniger redundanten Repräsentationen führt. Stattdessen zeigt sich, dass Lernen die Redundanz erhöht, um die Robustheit und den Informationsgehalt einzelner Neuronen zu steigern.
• Bestätigung generativer Modelle: Die Studie liefert starke empirische Unterstützung für die Idee, dass sensorische Neuronen posteriori Überzeugungen (Posterior Beliefs) berechnen, die Priors und sensorische Evidenz integrieren.
• Interpretation von Korrelationen: Informationslimitierende Korrelationen werden nicht mehr primär als „Rauschen" oder Ineffizienz interpretiert, sondern als notwendiger Nebeneffekt der Informationsweitergabe und -verteilung im Rahmen einer probabilistischen Inferenz.
• Lösen eines Rätsels: Die Ergebnisse erklären, wie einzelne Neuronen fast so viel Information über die Aufgabe enthalten können wie das gesamte Tierverhalten (das auf vielen Neuronen basiert): Die Information ist stark redundant verteilt, sodass auch kleine Populationen (oder einzelne Neuronen) einen hohen Informationsgehalt aufweisen.

Zusammenfassend demonstriert diese Arbeit, dass das Gehirn durch Lernen keine „saubere" Entkopplung von Informationen anstrebt, sondern eine dynamische, redundante Verteilung von Informationen, die auf der Berechnung posteriorer Überzeugungen in einem hierarchischen Bayes'schen Rahmen basiert.