Parametric neural control differentiates top neural network models of primate visual cortex

Das menschliche Gehirn ist eine gewaltige, komplexe Maschine zur Erfassung der Welt, und an der Spitze dieser Maschine liegt der visuelle Kortex, eine Region, die ausschließlich der Verarbeitung dessen gewidmet ist, was wir sehen. Seit Jahrzehnten versuchen Wissenschaftler, Computerprogramme zu entwickeln, die diese biologische Maschinerie nachahmen. Diese Programme, bekannt als tiefe neuronale Netze, werden mit Millionen von Fotografien trainiert, bis sie lernen, Objekte, Gesichter und Szenen mit einer Geschicklichkeit zu erkennen, die der unseren in nichts nachsteht. Wenn Forscher diese Programme testen, stellen sie oft fest, dass die fortschrittlichsten Modelle mit verblüffender Genauigkeit vorhersagen, wie die Neuronen im Gehirn eines Affen feuern werden, wenn ihnen ein natürliches Bild gezeigt wird. Dieser Erfolg führte zu einer beruhigenden Annahme: Wenn verschiedene Computermodelle die Gehirnaktivität gleichermaßen gut vorhersagen können, müssen sie alle dieselbe interne Logik verwenden, um die visuelle Welt zu verstehen. Es schien, als sei der Weg zum Verständnis des Gehirns endlich gefunden worden und als hätten all diese erfolgreichen Modelle zu einem einzigen, korrekten Weg des Sehens konvergiert.

Eine neue Studie stellt diese beruhigende Schlussfolgerung jedoch infrage und legt nahe, dass eine hohe Vorhersagegenauigkeit nicht zwangsläufig bedeutet, dass die Modelle die Logik des Gehirns wirklich erfasst haben. Die Forscher, die mit fünf Makaken arbeiteten, wollten testen, ob diese Computermodelle lediglich richtig rät oder tatsächlich die spezifischen Regeln versteht, die bestimmen, wie Neuronen reagieren. Sie entwickelten eine neue Methode, um die Modelle zu untersuchen, die über die einfache Bilderkennung hinaus zu einer direkteren Form der Interaktion führt. Anstatt den Modellen lediglich Bilder zu zeigen und zu prüfen, ob sie die richtige Gehirnantwort erraten hatten, nutzten die Wissenschaftler die Modelle, um gezielte, kontrollierte Veränderungen an einem Bild vorzunehmen. Sie nahmen die internen Einstellungen jedes Modells und wandelten sie in eine Reihe von Anweisungen um, wie ein Bild modifiziert werden muss, um ein Neuron stärker oder schwächer feuern zu lassen. Dieser Prozess, den die Forscher als „achsensynchrone Merkmalsakzentuierung“ (axis-aligned feature accentuation) bezeichnen, ermöglichte es ihnen, tausende von einzigartigen Testbildern zu erstellen, die darauf ausgelegt waren, die neuronale Antwort in eine bestimmte Richtung zu lenken.

Das Team generierte über 27.500 dieser maßgeschneiderten Stimuli aus zehn führenden Visionsmodellen und präsentierte sie den Makaken in einem Closed-Loop-Experiment. Dieser Aufbau erlaubte es den Forschern, gezielt bestimmte Bereiche des visuellen Kortex anzusprechen, von den frühen Stadien, in denen einfache Formen verarbeitet werden, bis hin zu den höheren Ebenen, in denen komplexe Objekte erkannt werden. Die Ergebnisse waren überraschend. Obwohl alle zehn Modelle gleichermaßen gut abschnitten, wenn sie die Reaktionen auf standardmäßige, natürliche Fotografien vorhersagten, versagten sie, als sie gebeten wurden, die Neuronen mit ihren maßgeschneiderten Stimuli zu steuern. Die meisten der Modelle konnten die vorhergesagten Veränderungen der neuronalen Feuerung nicht reproduzieren. Ihre internen Karten der visuellen Welt waren zwar gut genug, um zu raten, aber sie waren grundlegend falsch ausgerichtet auf die tatsächliche Abstimmung der Gehirnzellen. Die Modelle erfassten nicht die präzisen Details, wie Neuronen auf die Welt reagieren; sie fanden lediglich statistische Abkürzungen, die bei natürlichen Bildern funktionierten, aber unter genauerer Prüfung zusammenbrachen.

Es gab eine bemerkenswerte Ausnahme von diesem Scheitern. Zwei der Modelle, die mit einer speziellen Technik namens „Adversarial Training“ trainiert worden waren, zeigten einen konsistenten Vorteil. Diese Modelle waren besser darin, die neuronale Feuerung zu steuern, was darauf hindeutet, dass ihre internen Parameter näher an den des Gehirns liegen. Dennoch stellte die Studie fest, dass die Robustheit gegenüber diesen adversariellen Tricks nicht die ganze Geschichte war. Die Fähigkeit, die Neuronen zu steuern, war nicht stark mit der Fähigkeit verknüpft, wie gut ein Modell gegen künstliche Angriffe resistent war. Stattdessen war der entscheidende Faktor etwas Grundlegenderes: die räumliche Frequenzstruktur des Input-Gradienten. Vereinfacht ausgedrückt bezieht sich dies auf das spezifische Muster von Pixeln, das die Entscheidung eines Modells beeinflusst. Die Modelle, die am besten funktionierten, waren jene, bei denen die Verteilung der Pixel, die die Kodierungsachse beeinflussen, mit der Art und Weise übereinstimmte, wie das Gehirn tatsächlich visuelle Informationen verarbeitet.

Diese Forschung etabliert eine neue, strengere Methode, um zu testen, wie gut Computermodelle mit dem Gehirn übereinstimmen. Indem sie von passiver Vorhersage zu aktiver Kontrolle übergingen, demonstrierten die Wissenschaftler, dass eine hohe Genauigkeit bei Standardtests tiefe Mängel in der Art und Weise verbergen kann, wie ein Modell die visuelle Welt repräsentiert. Die Ergebnisse legen nahe, dass aktuelle Modelle zwar beeindruckend sind, die meisten jedoch noch nicht zur wahren biologischen Parametrisierung des natürlichen Bildraums konvergiert sind. Nur wenn wir testen, ob ein Modell in der Lage ist, die neuronale Aktivität durch präzise, akzentuierte Merkmale kausal zu steuern, können wir wissen, ob es die visuelle Welt so versteht, wie es ein Primatengehirn tut.