A Drosophila Whole-Connectome Network Can Learn Human-Designed Cognitive Tasks
Diese Studie zeigt, dass die feste anatomische Verschaltung eines männlichen *Drosophila*-Konnektoms als effektives Rechensubstrat für das Erlernen menschengemachter kognitiver Aufgaben, wie etwa beschränkter Addition und begründeter relationaler Sprache, dient und dabei randomisierte Netzwerkumverdrahtungen signifikant übertrifft.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Das menschliche Gehirn wird oft als das komplexeste bekannte Objekt im Universum beschrieben, ein verschlungenes Netz aus Milliarden von Zellen, das uns erlaubt zu denken, uns zu bewegen und zu sprechen. Seit Jahrzehnten versuchen Wissenschaftler, diese Verschaltung zu kartieren, indem sie detaillierte Diagramme, sogenannte Konnektome, erstellen, die genau zeigen, welche Neuronen mit welchen verbunden sind. Diese Karten werden meist untersucht, um zu verstehen, wie das Gehirn den Körper steuert, etwa wie eine Fliege eine Blume sieht oder wie ein Mensch einen Becher hebt. Doch eine neue Forschungsrichtung stellt eine kühnere Frage: Wenn man das physische Verdrahtungsdiagramm eines Gehirns nimmt und es als Skelett für ein Computerprogramm verwendet, kann dieses Programm Dinge lernen, die das Tier nie entwickelt hat? Es ist ein Test dafür, ob die spezifische Form biologischer Verbindungen eine geheime Kraft besitzt, die zufällige Verbindungen nicht haben.
Forscher des Korea Advanced Institute of Science and Technology beschlossen, diese Idee am vollständigen Nervensystem einer einzelnen männlichen Fruchtfliege zu testen. Sie nahmen die öffentlich verfügbare Karte des Gehirns dieser Fliege, die über 166.000 Neuronen und fast 26 Millionen Verbindungen enthält, und nutzten sie als feste Struktur für ein künstliches Netzwerk. Sie versuchten nicht, die tatsächlichen Gedanken oder Bewegungen der Fliege zu simulieren. Stattdessen trainierten sie dieses biologische Skelett, um zwei Aufgaben zu lösen, die nichts mit Fruchtfliegen zu tun haben: das Addieren von Zahlen und das Verstehen einer einfachen Sprache über sensorische Ereignisse. In der ersten Aufgabe musste das Netzwerk lernen, zwei Zahlen zusammenzuzählen, wobei die Summe einhundert niemals überschritt. In der zweiten Aufgabe musste es eine Beschreibung von zwei physischen Empfindungen „anhören“, wie etwa einen starken Druck auf ein Bein gefolgt von einer schwachen Bewegung, und dann diese Beschreibung korrekt dem Ereignis zuordnen, selbst wenn die Reihenfolge der Ereignisse vertauscht war.
Um zu sehen, ob die spezifische Verschaltung der Fliege wichtig war, erstellten die Wissenschaftler eine Kontrollgruppe. Sie nahmen die gleiche Anzahl an Neuronen und Verbindungen, vertauschten jedoch die Verbindungen zufällig, wobei sie lediglich die Anzahl der Verbindungen pro Neuron gleich hielten. Dies erzeugte ein „umverdrahtetes“ Gehirn, das statistisch gesehen ähnlich aussah, aber nicht über die spezifischen, evolvierten Pfade der echten Fliege verfügte. Als sie das echte Fliegen-Netzwerk auf die Additionsaufgabe trainierten, war es mit hoher Genauigkeit erfolgreich und lieferte bei neuen Problemen, die es zuvor noch nie gesehen hatte, fast zu 93 Prozent die richtige Antwort. Die zufälligen, umverdrahteten Netzwerke hatten signifikante Schwierigkeiten und erreichten nur etwa 68 Prozent Genauigkeit. Der Unterschied war beträchtlich, was darauf hindeutete, dass die spezifische Anordnung des Fliegengehirns einen verborgenen Vorteil für das Lernen von Mathematik bot, obwohl die Fliege selbst keine Mathematik betreibt.
Die Ergebnisse waren bei der Sprachaufgabe noch verblüffender. Hier musste das Netzwerk sensorische Eingänge mit Wörtern verknüpfen und lernen, dass ein bestimmtes Signalmuster „starken Druck“ bedeutete und dass dies „vor“ einer „schwachen Bewegung“ geschah. Die Forscher testeten das Netzwerk auf vier verschiedene Arten, indem sie änderten, wo die sensorischen Informationen in das Gehirn eintraten und wo die Wörter ausgegeben wurden, um sicherzustellen, dass die Ergebnisse nicht nur ein Zufall eines spezifischen Aufbaus waren. Über alle diese Tests hinweg übertraf das auf dem echten Fliegengehirn basierende Netzwerk die umverdrahteten Versionen konsequent. Beim schwierigsten Test, der erforderte, dass das Netzwerk eine Szene korrekt mit ihrer Beschreibung und auch die umgekehrte Szene mit der umgekehrten Beschreibung paarte, erreichte das echte Gehirn einen Wert von etwa 62 Prozent, während die zufälligen Versionen im Durchschnitt nur 44 Prozent erreichten. In einem größeren Vergleich unter Einbeziehung von zwanzig verschiedenen zufälligen Umverdrahtungen belegte das echte Fliegengehirn den ersten Platz und schlug jede einzelne von ihnen.
Entscheidend war, dass die Studie zeigte, dass dieser Vorteil nicht nur auf der richtigen Anzahl von Verbindungen beruhte. Die Forscher fanden heraus, dass der Erfolg des echten Gehirns stark von der Abstimmung zwischen den sensorischen Eingängen und den spezifischen Teilen des Gehirns abhing, mit denen sie verbunden waren. Als sie die sensorischen Signale so vertauschten, dass der Eingang nicht mehr mit der natürlichen Verschaltung des Gehirns übereinstimmte, brach die Leistung des echten Gehirns zusammen und fiel von etwa 61 Prozent auf nur 19 Prozent. Dies bewies, dass die Struktur des Gehirns nicht nur ein generischer Behälter für das Lernen war, sondern eine spezialisierte Maschine, bei der der physische Ort der Eingänge eine tiefe Rolle spielte. Die zufälligen Netzwerke, denen es an dieser spezifischen Abstimmung mangelte, konnten die Verwirrung nicht kompensieren.
Die Ergebnisse legen nahe, dass die Art und Weise, wie ein Gehirn verdrahtet ist, einen wiederverwendbaren Bauplan für das Lernen enthält, einen induktiven Bias, der hilft, Probleme effizient zu lösen. Dies bedeutet nicht, dass das Fliegengehirn ein universeller Computer ist, der alles tun kann. Das Netzwerk musste dennoch von Grund auf neu trainiert werden und konnte nicht lernen, ohne die korrekten sensorischen Eingänge. Dennoch zeigt die Studie, dass die biologische Anordnung der Kanten in einem Konnektom mehr ist als nur ein Protokoll der Vergangenheit eines Tieres; es ist eine funktionale Architektur, die für menschengemachte kognitive Aufgaben zweckentfremdet werden kann. Die spezifischen Pfade, die sich für eine Fliege zur Navigation in ihrer Welt entwickelt haben, bieten auch einen Vorsprung für einen Computer, der versucht, Arithmetik und Sprache zu lernen – eine Entdeckung, die der Vorstellung entgegensteht, dass biologische Verschaltung nur für die Verhaltensweisen nützlich ist, für die sie ursprünglich entwickelt wurde.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.