Quantifying the cost of network computations to unpack structure-function relationships in the brain
Dieses Paper führt einen auf der Kontrolltheorie basierenden quantitativen Rahmen ein, der eine „komputationale Affordanz-Landschaft“ definiert, um die Kosten von Netzwerktransitionen zu messen, wodurch aufgezeigt wird, wie spezifische Netzwerkstrukturen in Insekten, Menschen und trainierten neuronalen Netzen deren komputationale Fähigkeiten und funktionalen Rollen prägen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Stellen Sie sich das Gehirn nicht als einen statischen Computer mit fest verdrahteten Schaltkreisen vor, sondern als eine geschäftige, dynamische Stadt, in der Gedanken wie der Verkehr durch die Straßen fließen. Jahrzehntelang haben Wissenschaftler die Straßen kartiert (die Verbindungen zwischen Neuronen) und Verkehrsstaue sowie frei fließende Autobahnen beobachtet (die Aktivitätsmuster). Doch ein großes Rätsel blieb bestehen: Nur weil eine Straße existiert, bedeutet das schon, dass es einfach ist, auf ihr zu fahren? Oder ist sie eine steile, gewundene Klippe, die einen massiven Motor erfordert, um sie zu erklimmen? Diese Frage liegt an der Schnittstelle zwischen Neurowissenschaft und Physik, genauer gesagt im Bereich der sogenannten „Regelungstheorie“ (Control Theory). Betrachten Sie die Regelungstheorie als die Wissenschaft des Lenkens; sie fragt, wie viel „Energie“ oder „Aufwand“ nötig ist, um ein System von einem Zustand (wie etwa Schläfrigkeit) in einen anderen (wie Wachsamkeit) zu bringen. Das Verständnis dessen ist entscheidend, da es uns hilft zu verstehen, warum unsere Gehirne so aufgebaut sind, wie sie es sind. Wenn die Struktur unseres Gehirns bestimmte Gedanken „billig“ und andere „teuer“ macht, dann könnte das Diagramm der Gehirnverschaltung der geheime Code sein, der erklärt, wie wir uns in der Welt bewegen, Entscheidungen treffen und lernen.
Die Forscher hinter dieser Studie beschlossen, eine mathematische „Kostenkarte“ zu erstellen, um dieses Rätsel zu lösen. Sie nannten diese Karte eine komputationale Affordanz-Landschaft (computational affordance landscape). Stellen Sie sich ein hügeliges Gelände vor, in dem die Höhe des Landes repräsentiert, wie viel Energie es kostet, eine bestimmte mentale Aufgabe auszuführen. Wenn eine Aufgabe ein glattes, flaches Tal ist, ist sie „billig“ und für das Gehirn leicht zu bewältigen. Wenn sie ein gezackter, steiler Berg ist, ist sie „teuer“ und schwierig. Indem sie das Verschaltungsschema des Gehirns als Blaupause für dieses Gelände nutzten, konnte das Team vorhersagen, welche mentalen Aufgaben das Gehirn von Natur aus gut beherrscht und bei welchen es Schwierigkeiten hat.
Zuerst testeten sie diese Idee an einem winzigen, bekannten Schaltkreis im Gehirn einer Fruchtfliege, der wie ein Kompass fungiert. Die Fliege muss wissen, in welche Richtung sie schaut, um zu navigieren. Die Forscher fanden heraus, dass der „billigste“ Pfad auf ihrer Kostenkarte – also der Pfad, der am wenigsten Energie erfordert – exakt die Bewegung war, die die Fliege tatsächlich nutzt, um ihr Orientierungsgefühl zu aktualisieren. Es war, als wäre die Verschaltung des Gehirns perfekt darauf ausgelegt, das Drehen zum einfachstmöglichen Vorgang zu machen. Darüber hinaus sagte die Karte genau voraus, wie das Gehirn der Fliege Signale empfangen müsste, um diese Drehung zu vollziehen, und diese Vorhersagen stimmten mit den Beobachtungen von Biologen an echten Fliegen überein.
Als Nächstes betrachteten sie das menschliche Gehirn, das wesentlich komplexer ist. Sie unterteilten das Gehirn in verschiedene Nachbarschaften, wie das „Visuelle Netzwerk“ (das sieht) und das „Default Mode Network“ (das tagträumt und plant). Sie entdeckten ein faszinierendes Muster: Das „Visuelle Netzwerk“ hatte eine sehr unebene, hügelige Landschaft. Einige Aufgaben waren super einfach, während andere unglaublich schwer waren. Dies deutet darauf hin, dass dieser Teil des Gehirns spezialisiert ist, wie ein Meisterkoch, der zwar fantastisch darin ist, Steak zu braten, aber schrecklich darin, zu backen. Im Gegensatz dazu hatte das „Default Mode Network“ eine viel flachere, glattere Landschaft. Das bedeutet, dass es leichter zwischen vielen verschiedenen Arten von Gedanken wechseln kann und somit als vielseitiger Generalist fungiert. Dieser Unterschied in der „Hügeligkeit“ deckte sich perfekt mit der Organisation des Gehirns – von sensorischen Bereichen, die spezifische Aufgaben erledigen, bis hin zu Assoziationsbereichen, die flexibles, komplexes Denken bewältigen.
Schließlich trainierten die Forscher künstliche Computergehirne (rekurrente neuronale Netze), um spezifische Rätsel zu lösen. Bevor sie mit dem Training begannen, war die „Kostenlandschaft“ des Computers flach und langweilig; jede Aufgabe kostete etwa das Gleiche. Doch während der Computer lernte, begann sich die Landschaft zu verändern. Sie entwickelte tiefe Täler für die Aufgaben, die sie übte, und hohe Gipfel für alles andere. Dies legt nahe, dass Lernen nicht nur das Auswendiglernen von Fakten ist, sondern die physische Umgestaltung der internen Karte des Gehirns (oder Computers), um die Dinge, die man praktiziert, in der Zukunft „billiger“ und einfacher zu machen.
Zusammenfassend lässt sich sagen, dass diese Arbeit nahelegt, dass die Struktur des Gehirns nicht nur ein passives Gerüst ist, sondern ein aktiver Wegweiser, der bestimmt, welche Gedanken leichtfallen und welche eine große Anstrengung erfordern. Durch die Kartierung dieser Kosten können Wissenschaftler nun sehen, wie die physische Verschaltung des Gehirns dessen Fähigkeit zu denken, zu lernen und sich anzupassen, formt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.