Continuous attractor circuits for decision making with Laplace-domain neural representations

Stellen Sie sich Ihr Gehirn als eine geschäftige Stadt vor, in der Millionen winziger Boten (Neuronen) ständig Informationen aneinander rufen. Seit Jahrzehnten versuchen Wissenschaftler herauszufinden, wie diese chaotische Stadt entscheidet, was als Nächstes zu tun ist, etwa die Wahl zwischen zwei Pfaden oder die Entscheidung, ob ein Geräusch eine Bedrohung darstellt. Eine der bekanntesten Ideen auf diesem Gebiet ist das „Diffusionsentscheidungsmodell“. Stellen Sie sich dies wie eine Person vor, die mit einer Münze in der Hand einen Flur entlangläuft. Jedes Mal, wenn sie ein Geräusch hört, wirft sie die Münze. Wenn Kopf fällt, macht sie einen Schritt in Richtung der „Ja“-Tür; wenn Zahl fällt, macht sie einen Schritt in Richtung der „Nein“-Tür. Sie wirft und läuft so lange weiter, bis sie eine der Türen erreicht, und das ist ihre Entscheidung. Diese einfache Idee erklärt, wie wir Entscheidungen treffen, wenn die Welt verrauscht und verwirrend ist. Aber hier liegt das Rätsel: Während die Mathematik besagt, dass wir nur eine einzelne Person sind, die durch einen Flur läuft, bestehen echte Gehirne aus Milliarden von Zellen, die nicht alle gleich aussehen. Einige Zellen scheinen ihre Energie langsam wie eine steigende Flut aufzubauen, während andere in einer schnellen, organisierten Sequenz feuern, wie bei einem Staffellauf. Lange Zeit waren sich Wissenschaftler nicht sicher, ob diese unterschiedlichen Muster bedeuteten, dass das Gehirn zwei verschiedene Dinge tut, oder ob sie nur zwei verschiedene Arten sind, dieselbe einzige Entscheidung zu beschreiben.

In dieser Arbeit schlagen die Forscher Chenyu Wang, Rui Cao und Marc W. Howard eine clevere Lösung für dieses Rätsel vor. Sie schlagen vor, dass das Gehirn nicht zwei verschiedene Dinge tut; stattdessen verwendet es zwei verschiedene „Sprachen“, um zur gleichen Zeit exakt dasselbe zu sagen. Sie bauten eine Computersimulation eines Gehirnkreislaufs, der wie ein kontinuierlicher, fließender Fluss von Aktivität agiert. In diesem Fluss gibt es zwei Arten von „Booten“: Der eine Typ bildet eine scharfe, bewegliche Kante (wie eine aufsteigende Wasserwand), und der andere bildet einen rollenden, lokalisierten Hügel (wie eine Wellenkamm). Die Autoren zeigen, dass diese beiden Muster tatsächlich perfekt synchronisierte Partner sind. Die „Kanten“-Boote repräsentieren einen langsamen, ansteigenden Aufbau von Evidenz, während die „Hügel“-Boote eine schnelle, sequentielle Aktivierung von Neuronen repräsentieren. Durch die Verknüpfung dieser beiden Gruppen auf eine spezifische Weise beweist ihr Modell, dass beide Muster aus demselben zugrunde liegenden Entscheidungsprozess entstehen können. Das Ergebnis ist ein einziges, vereinheitlichtes System, das sich exakt wie das klassische „Münzwurf“-Entscheidungsmodell verhält, aber erklärt, warum reale Neuronen so unterschiedlich aussehen. Die Autoren fanden heraus, dass ihr duales Sprachsystem in ihren Simulationen die menschliche Reaktionszeit und Entscheidungsgenauigkeit perfekt nachahmen konnte, was darauf hindeutet, dass das Gehirn diesen eleganten, geometrischen Trick nutzen könnte, um aus chaotischem sensorischem Rauschen eine klare, sichere Entscheidung zu treffen.

Die Geschichte der zwei Sprachen

Um zu verstehen, wie dies funktioniert, stellen wir uns den Entscheidungsprozess nicht als eine einzelne Linie vor, sondern als eine lange, gekrümmte Bahn. Auf dieser Bahn gibt es zwei Teams von Läufern: das Rampen-Team und das Sequenz-Team.

Das Rampen-Team ist wie eine Gruppe von Läufern, die alle versuchen, einen Hügel hinaufzuklettern. Aber hier ist der Clou: Jeder Läufer hat eine unterschiedliche „Steilheits“-Einstellung. Einige Läufer steigen sehr langsam, während andere sehr schnell steigen. Wenn die Entscheidungsvariable (die Menge der gesammelten Evidenz) zunimmt, verschiebt sich die gesamte Gruppe. Das Ergebnis sieht aus wie eine glatte, ansteigende Wand von Aktivität. Im Gehirn sieht dies so aus, als würde ein Neuron seine Feuerrate langsam steigern, während man mehr Evidenz sammelt.

Das Sequenz-Team ist anders. Stellen Sie sich eine Reihe von Läufern vor, die an der Startlinie warten. Während sich die Entscheidungsvariable vorwärts bewegt, wandert eine einzelne „Welle“ der Aktivität die Reihe entlang. Ein Läufer feuert, dann der nächste, dann der nächste, wie ein Dominoeffekt. Dies sieht aus wie ein „Hügel“ von Aktivität, der sich über die Neuronenpopulation bewegt.

Die große Entdeckung des Papers ist, dass diese beiden Teams eigentlich dasselbe Rennen laufen, nur auf unterschiedlichen Bahnen, die mathematisch miteinander verknüpft sind. Die Autoren verwendeten ein Konzept aus der Mathematik namens „Laplace-Bereich“ (eine schicke Art zu betrachten, wie sich Dinge über Zeit und Raum verändern), um zu zeigen, dass das Rampen-Team und das Sequenz-Team eigentlich zwei Seiten derselben Medaille sind. Die „Wand“ des Rampen-Teams und die „Welle“ des Sequenz-Teams sind perfekt aufeinander abgestimmt. Wenn man weiß, wo die Wand ist, weiß man genau, wo die Welle ist.

Wie der Schaltkreis funktioniert: Die Kante und der Hügel

Die Autoren bauten einen digitalen Gehirnschaltkreis, um diese Idee zu testen. Sie erstellten zwei Gruppen virtueller Neuronen:

1. Die Kanten-Population: Diese Neuronen haben „Rezeptive Felder“, die einer Exponentialkurve ähneln. Wenn sich die Entscheidungsvariable ändert, verschiebt sich die Aktivität dieser Gruppe wie eine gleitende Tür und erzeugt eine scharfe Kante.
2. Die Hügel-Population: Diese Neuronen haben „Rezeptive Felder“, die einer Glockenkurve (einem Hügel) ähneln. Wenn sich die Entscheidungsvariable ändert, gleitet dieser Hügel entlang der Bahn.

Die Magie geschieht, wenn sie diese beiden Gruppen miteinander verbinden. Die Kanten-Gruppe drückt die Hügel-Gruppe, und die Hügel-Gruppe zieht an der Kanten-Gruppe. Es ist wie ein Tanz, bei dem ein Partner führt und der andere folgt, aber sie sind so perfekt synchronisiert, dass sie sich als eine einzige Einheit bewegen.

Das Paper zeigt, dass dieser gekoppelte System mit dem chaotischen, verrauschten Input des echten Lebens umgehen kann. Wenn man es mit zufälligem Rauschen füttert (wie die Münzwürfe in unserer Flur-Analogie), bewegen sich die Kanten- und Hügel-Populationen gemeinsam entlang ihrer Bahn. Die Position dieser Bewegung entspricht der Entscheidungsvariable. Wenn die Bewegung das „linke“ Ende der Bahn erreicht, entscheidet das Gehirn „Links“. Wenn sie das „rechte“ Ende erreicht, entscheidet es „Rechts“.

Was die Simulationen zeigten

Die Forscher führten tausende Simulationen durch, um zu sehen, ob ihr Modell wie ein echter Mensch bei einer Entscheidung agieren kann. Sie verglichen ihren „Edge-Bump“-Schaltkreis mit dem Standard-„Diffusionsentscheidungsmodell“ (dem münzwurf-basierten Flur).

Die Ergebnisse waren beeindruckend. In ihren Simulationen:

• Reaktionszeiten: Die Zeit, die ihr Schaltkreis benötigte, um eine Entscheidung zu treffen, entsprach der Zeit, die Menschen benötigen, um Entscheidungen zu treffen. Ob die Aufgabe einfach war (starke Evidenz) oder schwer (schwache Evidenz), der Schaltkreis wurde schneller oder langsamer in genau der richtigen Weise.
• Entscheidungsgenauigkeit: Der Schaltkreis wählte genauso oft die richtige Antwort wie Menschen, wenn die Evidenz eindeutig war, und machte dieselben Arten von Fehlern, wenn die Evidenz verwirrend war.
• Neurale Muster: Am wichtigsten war, dass die einzelnen Neuronen in ihrem Schaltkreis genau die gleiche Diversität zeigten, die man in echten Gehirnen findet. Einige Neuronen steigerten (rampten) langsam, während andere in einer schnellen Sequenz feuerten. Dies geschah automatisch, ohne dass die Forscher sie dazu programmiert hatten. Es entstand spontan aus der Art und Weise, wie die beiden Populationen miteinander verbunden waren.

Warum das wichtig ist

Dieses Paper legt nahe, dass das Gehirn keine unordentliche Sammlung unzusammenhängender Teile benötigt. Stattdessen nutzt es möglicherweise eine hoch organisierte, geometrische Struktur, um Probleme zu lösen. Die „Kanten“- und „Hügel“-Populationen sind wie zwei verschiedene Dialekte derselben Sprache. Ein Dialekt (das Rampen) eignet sich gut, um einen langsamen Aufbau von Zuversicht zu zeigen, während der andere (die Sequenz) gut darin ist, einen präzisen, zeitlich abgestimmten Fortschritt darzustellen. Durch die gleichzeitige Nutzung beider kann das Gehirn eine einzige Entscheidungsvariable auf eine robuste und flexible Weise repräsentieren.

Die Autoren betonen, dass dies eine Simulation ist – ein mathematisches Modell, das zeigt, wie ein solches System funktionieren könnte. Sie haben nicht bewiesen, dass dies exakt so funktioniert, wie das menschliche Gehirn in der Realität arbeitet, aber ihr Modell liefert eine starke, testbare Hypothese. Es deutet darauf an, dass die seltsame Mischung aus rampenden und sequentiellen Neuronen, die wir in Experimenten sehen, kein Fehler oder Zufall ist, sondern ein Merkmal. Es ist die Art des Gehirns, zwei komplementäre Codes zu nutzen, um eine Entscheidung zu verfolgen, während sie sich entwickelt, um sicherzustellen, dass die endgültige Wahl sowohl präzise als auch zeitgerecht erfolgt.

Kurz gesagt bietet das Paper ein wunderschönes, vereinheitlichtes Bild der Entscheidungsfindung. Es verwandelt das chaotische Rauschen des Gehirns in einen synchronisierten Tanz zwischen einer aufsteigenden Kante und einem rollenden Hügel und zeigt, wie Komplexität aus einfachen, eleganten Regeln entstehen kann.