Evidence for predictive computations in a brain hierarchy during a visual search task

Die Studie vergleicht Predictive Coding, Predictive Routing und Autoencoder-Modelle anhand von LFP-Daten aus einer visuellen Suchaufgabe und liefert Evidenz für einen hybriden Mechanismus, bei dem Predictive Coding die Aktivität in tiefen Schichten und Predictive Routing die Dynamik in oberflächlichen Schichten erklärt.

Das Wesentliche

Das große Rätsel: Wie unser Gehirn die Welt vorhersagt

Stell dir vor, dein Gehirn ist wie ein riesiges, hochmodernes Nachrichtenzentrum. Es wird ständig mit Informationen überflutet: Bilder, Geräusche, Gerüche. Wenn das Gehirn jede einzelne Information sofort und vollständig verarbeiten müsste, würde es überlastet und explodieren.

Deshalb funktioniert das Gehirn nicht wie ein einfacher Videorekorder, der alles aufzeichnet. Es ist vielmehr wie ein erfahrener Detektiv, der ständig Vermutungen anstellt. Es sagt sich: "Ich weiß, dass da ein Baum ist, also erwarte ich, dass ich jetzt ein grünes Blatt sehe."

Wenn das, was die Augen sehen, genau mit dieser Vorhersage übereinstimmt, ignoriert das Gehirn das Detail. Es ist langweilig und nicht wichtig. Aber wenn das Gehirn etwas sieht, das nicht erwartet wurde (z. B. ein rotes Auto zwischen den Bäumen), schreit es: "Achtung! Überraschung! Das ist neu! Schau genau hin!"

Dieses Prinzip nennt man Predictive Coding (Vorhersage-Code). Aber die Wissenschaftler waren sich nicht einig: Wie genau macht das Gehirn das? Gibt es drei verschiedene "Betriebssysteme", die dafür sorgen könnten?

Die drei Verdächtigen (Die Algorithmen)

Die Forscher haben drei verschiedene Theorien verglichen, wie dieses "Vorhersage-System" im Detail funktioniert. Sie haben sich das Gehirn von Affen angesehen, die eine Suchaufgabe lösten (sie mussten einen bestimmten Gegenstand in einer Menge finden), und gemessen, wie die elektrischen Signale in verschiedenen Hirnregionen (V4, 7A, PFC) fließen.

Hier sind die drei Verdächtigen:

1. Der "Fehler-Rechner" (Predictive Coding):

   • Die Idee: Das Gehirn ist wie ein strenger Lehrer. Es vergleicht ständig die Vorhersage mit der Realität. Wenn sie nicht übereinstimmen, berechnet es einen genauen "Fehlerwert". Dieser Fehler wird nach oben geschickt, damit das Gehirn seine Vorhersage korrigiert.
   • Metapher: Ein Thermostat, der ständig misst: "Es ist 20 Grad, ich wollte 21. Ich muss die Heizung um 1 Grad hochdrehen." Er berechnet die genaue Differenz.

2. Der "Daten-Drucker" (Autoencoder):

   • Die Idee: Das Gehirn druckt die Informationen einfach nur nach oben weiter, ohne viel zu vergleichen. Es versucht, die Daten so effizient wie möglich zu komprimieren, ohne Rückmeldung von oben zu bekommen.
   • Metapher: Ein Paketdienst, der Pakete von unten nach oben befördert, ohne sich darum zu kümmern, ob der Empfänger das Paket erwartet oder nicht. Es ist eine reine Einbahnstraße.

3. Der "Türsteher" (Predictive Routing):

   • Die Idee: Hier gibt es keine explizite Fehlerberechnung. Stattdessen sendet das obere Gehirn eine Nachricht nach unten: "Ich erwarte einen Baum. Unterdrücke alles, was wie ein Baum aussieht." Nur das, was nicht unterdrückt wird (die Überraschung), darf durch.
   • Metapher: Ein Türsteher in einem Club. Er hat eine Liste der Gäste, die er erwartet. Wenn jemand auf der Liste ist, wird er nicht weitergeleitet (er ist "vorhergesagt"). Nur jemand, der nicht auf der Liste steht (die Überraschung), darf durch die Tür und Aufmerksamkeit erregen.

Das Experiment: Der große Test

Die Forscher haben sich die elektrischen Signale in drei Schichten des Gehirns angesehen:

• Tiefe Schichten: Hier sitzen die "Manager", die die Vorhersagen machen.
• Oberflächliche Schichten: Hier sitzen die "Mitarbeiter", die die neuen Informationen empfangen.

Sie haben die Daten in einen Computer gefüttert und getestet: Welches der drei Modelle (Fehler-Rechner, Daten-Drucker oder Türsteher) erklärt die gemessenen Signale am besten?

Das Ergebnis: Eine clevere Mischung!

Das Gehirn ist nicht nur eines der drei Modelle, sondern eine geniale Kombination:

1. In den tiefen Schichten (Die Manager):
   Hier funktioniert das Gehirn wie der Fehler-Rechner (Predictive Coding). Die tiefen Schichten tauschen ständig Nachrichten aus. Sie bauen ein komplexes Modell der Welt auf, indem sie Informationen von oben und unten kombinieren. Sie "rechnen" aktiv, um ein stabiles Bild der Realität zu erhalten.

2. In den oberflächlichen Schichten (Die Mitarbeiter):
   Hier funktioniert das Gehirn wie der Türsteher (Predictive Routing). Es gibt hier keine komplizierte Fehlerberechnung. Stattdessen wird das Signal einfach von den tiefen Schichten "gedämpft". Wenn die tiefe Schicht sagt: "Das ist ein Baum", wird das Signal im oberflächlichen Bereich leiser. Nur wenn etwas nicht erwartet wird, bleibt das Signal laut und wird weitergeleitet.

Warum ist das wichtig?

Stell dir vor, du bist in einem lauten Raum.

• Wenn du alles hören würdest (wie beim Daten-Drucker), würdest du wahnsinnig werden.
• Wenn du jedes Detail berechnen müsstest (wie beim strengen Fehler-Rechner überall), würdest du zu langsam sein.

Das Gehirn ist schlau: Es nutzt die tiefen Schichten, um ein stabiles Weltbild zu bauen (wie ein Architekt, der einen Plan zeichnet), und nutzt die oberflächlichen Schichten, um nur das Wichtigste durchzulassen (wie ein Filter, der den Lärm herausfiltert).

Fazit:
Unser Gehirn ist kein einfacher Computer, der alles speichert. Es ist ein proaktiver Vorhersage-Maschine. Es nutzt komplexe Berechnungen in den Tiefen des Gehirns, um die Welt zu verstehen, und nutzt einen einfachen "Aussortier-Mechanismus" an der Oberfläche, um uns nur das zu zeigen, was wirklich neu und wichtig ist. So sparen wir Energie und bleiben schnell.

Technische Zusammenfassung

Titel

Evidenz für prädiktive Berechnungen in einer Gehirn-Hierarchie während einer visuellen Suchaufgabe

1. Problemstellung und Hintergrund

Das Gehirn wird zunehmend als ein prädiktives System verstanden, das hochdimensionale sensorische Eingaben in niedrigdimensionale Repräsentationen komprimiert, um interne Modelle der Umwelt zu erstellen. Diese Modelle generieren top-down-Signale, die eingehende sensorische Informationen filtern und priorisieren. Verschiedene rechnerische Rahmenwerke wurden vorgeschlagen, um diese Mechanismen zu erklären, darunter:

• Predictive Coding (PC): Minimiert Vorhersagefehler durch den Vergleich von sensorischen Eingaben mit top-down-Erwartungen.
• Predictive Routing (PR): Unterdrückt vorhergesagte sensorische Eingaben, ohne explizite Fehlerberechnungen durchzuführen.
• Autoencoder (AE): Komprimieren Zustandsinformationen (State) ohne Feedback-Propagation.

Die zentrale Herausforderung besteht darin, empirisch zu unterscheiden, welcher dieser Algorithmen (oder eine Kombination davon) tatsächlich im Gehirn implementiert ist. Bisherige Studien konnten die relativen Beiträge dieser Modelle oft nicht eindeutig trennen, da sie ähnliche Verhaltensweisen vorhersagen können.

2. Methodik

Die Autoren entwickelten einen neuen Ansatz, um diese Algorithmen direkt zu vergleichen, indem sie sie in ein gemeinsames mathematisches Formalismus überführten und mit empirischen Daten abgleichen.

Datenbasis:

• Verwendung von lokal Feldpotentialen (LFP), die mit laminaren Elektroden in drei kortikalen Bereichen des Makaken-Affen-Modells aufgezeichnet wurden: V4 (visueller Kortex), 7A (parietaler Kortex) und PFC (präfrontaler Kortex).
• Die Daten stammen aus einer visuellen Suchaufgabe (Visual Search Task), bei der die Tiere ein vorab gelerntes Zielobjekt in einer Reihe von Distraktoren finden mussten.
• Die Daten sind schichtaufgelöst (layer-resolved), was entscheidend ist, da die Theorien spezifische Vorhersagen über die Aktivität in tiefen (infragranulär) und oberflächlichen (supragranulär) Schichten machen.

Modellierung und Analyse:

1. Mathematische Formalisierung: Alle drei Algorithmen (PC, PR, AE) wurden als Varianten von Gaussian Linear Models (GLM) bzw. "Deep Neural Fields" reformuliert. Dies ermöglichte einen fairen Vergleich mit der gleichen Anzahl an Parametern und verhinderte Overfitting.
2. Lernprozess der Konnektivität: Anstatt vordefinierte Konnektivitätsmuster anzunehmen, wurde die effektive Konnektivität (die Gewichte, mit denen Signale zwischen Neuronenpopulationen gewichtet werden) direkt aus den LFP-Daten gelernt (mittels Restricted Maximum Likelihood, ReML).
3. Unterscheidung der Schichten:
   • Tiefe Schichten: Werden mit Zustandsrepräsentationen (State/Predictions) assoziiert.
   • Oberflächliche Schichten: Werden mit Fehlerrepräsentationen (Error) oder unterdrückten Signalen assoziiert.
4. Bayesian Model Comparison (BMC): Die Autoren verglichen die Modelle anhand ihrer Free Energy (ein Maß für die Modellwahrscheinlichkeit, das Anpassungsgüte und Komplexität ausbalanciert). Sie berechneten Bayes-Faktoren (BF), um zu bestimmen, welches Modell die beobachteten LFP-Daten am besten erklärt.

3. Schlüsselbeiträge

• Einheitlicher Rahmen: Die erste direkte Gegenüberstellung von Predictive Coding, Predictive Routing und Autoencodern innerhalb eines einzigen mathematischen Rahmens (GLM/Deep Neural Fields) unter Verwendung von schichtaufgelösten LFP-Daten.
• Lernbasierte Konnektivität: Die Entwicklung einer Methode, bei der die effektive Konnektivität nicht a priori festgelegt, sondern aus den Daten gelernt wird, um die spezifischen "Verdrahtungen" zu erfassen, die ein Tier nach dem Erlernen einer Aufgabe aufweist.
• Schichtspezifische Validierung: Die Demonstration, dass unterschiedliche Algorithmen unterschiedliche Muster der effektiven Konnektivität und der neuronalen Dynamik in verschiedenen kortikalen Schichten erzeugen.

4. Ergebnisse

Die Analyse der LFP-Daten aus dem Bereich 7A (der mittleren Ebene der Hierarchie) führte zu folgenden Ergebnissen:

• Tiefe Schichten (State-Repräsentationen):

  • Der Vergleich zwischen Predictive Coding (PC) und Autoencodern (AE) zeigte einen starken Bayes-Faktor zugunsten von PC (BF ≈ 152–175).
  • Dies deutet darauf hin, dass die Bildung von Zustandsrepräsentationen in tiefen Schichten eine hierarchische Nachrichtenübermittlung (Message Passing) von oben (PFC) und unten (V4) erfordert, wie es das PC-Modell vorhersagt. Autoencoder, die nur feedforward-Informationen verarbeiten, reichten nicht aus.

• Oberflächliche Schichten (Fehler/Feedforward-Signale):

  • Der Vergleich zwischen Predictive Coding (PC) und Predictive Routing (PR) zeigte einen sehr starken Bayes-Faktor zugunsten von PR (BF ≈ 982–1109).
  • Dies bedeutet, dass in den oberflächlichen Schichten keine explizite Berechnung von Fehlersignalen (wie im klassischen PC angenommen) stattfindet. Stattdessen reicht eine prädiktive Unterdrückung (predictive suppression) durch Signale aus den tiefen Schichten aus, um die Dynamik in den oberflächlichen Schichten zu erklären.

• Konnektivitätsmuster:

  • Die gelernten Konnektivitätskerne zeigten konsistente Muster: In tiefen Schichten vorherrschende inhibitorische Rückkopplung und in oberflächlichen Schichten lokale exzitatorische Treiber, die mit anatomischen Befunden übereinstimmen.

5. Bedeutung und Fazit

Die Studie liefert starke empirische Evidenz für ein hybrides Modell der kortikalen Informationsverarbeitung:

1. Hierarchische Integration: Die Bildung von internen Weltmodellen (State) in tiefen kortikalen Schichten folgt den Prinzipien des Predictive Coding, bei dem top-down-Erwartungen und bottom-up-Sensordaten integriert werden, um Repräsentationen zu verfeinern.
2. Effiziente Signalweiterleitung: Die Verarbeitung von Feedforward-Signalen in oberflächlichen Schichten erfolgt jedoch nicht durch explizite Fehlerberechnung, sondern durch Predictive Routing. Hier werden vorhergesagte Signale unterdrückt, und nur die unerwarteten (informative) Signale werden weitergeleitet.

Wissenschaftliche Implikationen:

• Diese Ergebnisse unterstützen die Idee der "Computation through Dynamics", bei der die neuronale Dynamik selbst die Implementierung des Algorithmus darstellt.
• Sie klären die Rolle der kortikalen Schichten auf: Tiefe Schichten dienen der Modellbildung und Integration, während oberflächliche Schichten eher der selektiven Filterung und Weiterleitung relevanter Informationen dienen.
• Für die KI-Forschung (z. B. Transformer-Architekturen) bietet dies Hinweise darauf, wie effiziente Aufmerksamkeitsmechanismen biologisch plausibel implementiert werden könnten, indem man prädiktive Unterdrückung von expliziter Fehlerberechnung trennt.

Zusammenfassend zeigt das Paper, dass das Gehirn wahrscheinlich keine einzelne, starre Theorie (wie reines PC oder reiner AE) verwendet, sondern eine dynamische Kombination aus hierarchischer Modellbildung und effizientem Routing nutzt, um sensorische Informationen zu verarbeiten.