Structural generalization and continual learning enabled by factorized entorhinal-hippocampal memory and entorhinal-parietal action circuits

Um die Welt zu navigieren, vollbringt das menschliche Gehirn eine technische Leistung, die herkömmlichen rekurrenten neuronalen Netzen bei spezifischen Navigationsaufgaben bislang nicht ebenbürtig ist. Es muss sich an bestimmte Orte erinnern – ein Lieblingscafé, ein Elternhaus der Kindheit – und gleichzeitig die abstrakten Regeln verstehen, wie Raum funktioniert, was es uns ermöglicht, dieses Wissen auf eine neue Stadt anzuwenden, die wir noch nie besucht haben. Diese Fähigkeit beruht auf zwei unterschiedlichen, aber miteinander verbundenen Systemen im Gehirn. Ein System, das im Hippocampus angesiedelt ist, fungiert wie ein hochkapazitiver Aktenschrank für spezifische Ereignisse und Orte und speichert die einzigartigen Details dessen, was wir gesehen haben. Das andere System, das den entorhinalen Kortex involviert, liefert ein universelles Gitter, ein mentales Koordinatensystem, das Distanz und Richtung misst, unabhängig davon, was gerade betrachtet wird. Während Wissenschaftler schon lange wissen, dass diese Systeme existieren, blieb es ein Rätsel, wie sie zusammenarbeiten, um uns schnelles Lernen, die Generalisierung auf neue Situationen und das Erinnern ohne das Überschreiben alter Erinnerungen zu ermöglichen.

Ein Team von Forschern des MIT und anderer Institutionen hat nun die Schichten dieses Rätsels entschlüsselt, indem sie untersuchten, wie Menschen, Affen und Computermodelle mit einer spezifischen Navigationsherausforderung umgehen. Sie entwarfen eine Aufgabe, bei der die Probanden durch eine Sequenz von Bildern navigieren mussten, vergleichbar mit Trittsteinen, von einem Startbild zu einem Zielbild. Die Forscher testeten drei Schwierigkeitsstufen. Erstens ließen sie die Probanden mit visuellen Hinweisen navigieren, dann ohne diese, was das Gehirn dazu zwang, die Reise intern zu simulieren. Zweitens testeten sie, ob die Probanden zwischen Bildpaaren navigieren konnten, die sie zuvor noch nie geübt hatten. Drittens führten sie völlig neue Bildsätze ein, um zu sehen, ob das Gehirn seine Navigationsfähigkeiten auf eine komplett neue Umgebung übertragen kann. Die Ergebnisse waren deutlich: Während Menschen und Affen alle drei Herausforderungen mit Leichtigkeit meisterten, scheiterten standardmäßige rekurrenten neuronale Netzmodelle vollständig. Als die Forscher jedoch ein neues Computermodell bauten, das die spezifische Architektur des Gehirns nachahmte – indem es die „Karte“ vom „Gedächtnis“ trennte –, war es erfolgreich, wo die anderen versagten.

Das Experiment begann mit einem einfachen Aufbau. Menschliche Freiwillige und zwei Affen saßen vor einem Bildschirm, der eine feste Linie von Bildern anzeigte, wie etwa eine Serie von markanten Objekten. Ihnen wurden ein Startbild und ein Zielbild gegeben, und sie mussten mit einem Joystick durch die Sequenz navigieren, bis sie das Ziel erreichten. In der ersten Phase scrollten die Bilder vorbei und lieferten ständiges visuelles Feedback. Sobald die Probanden die Reihenfolge der Bilder gelernt hatten, entfernten die Forscher die visuellen Hinweise. Die Probanden mussten nun den Joystick bewegen, während der Bildschirm dunkel war, und sich ganz auf ihr internes Gefühl verlassen, wie weit sie gereist waren. Dies ist als mentale Navigation bekannt. Die Probanden vollbrachten dies mühelos und zeigten damit, dass sie eine mentale Karte der Sequenz aufgebaut hatten. Als Nächstes testeten die Forscher die transitive Generalisierung, indem sie die Probanden baten, zwischen Start- und Endpunkten zu navigieren, die sie zuvor nie gemeinsam geübt hatten. Schließlich führten sie eine dritte Umgebung mit einem völlig anderen Satz von Bildern ein, um die strukturelle Generalisierung zu testen.

Die Leistung der biologischen Subjekte war bemerkenswert. Menschen und Affen navigierten nicht nur die neuen Routen und neuen Umgebungen mit hoher Genauigkeit, sondern behielten auch ihre Fähigkeit bei, die ursprüngliche Umgebung zu navigieren, ohne sie zu vergessen. Dieses Fehlen von „katastrophalem Vergessen“ ist ein kritisches Merkmal biologischen Lernens, mit dem künstliche Systeme Schwierigkeiten haben. Als die Forscher versuchten, dieses Verhalten mit standardmäßigen rekurrenten neuronalen Netzwerken zu replizieren, scheiterten diese Modelle bei jedem Test. Sie konnten die visuelle Aufgabe mit Feedback lernen, aber in dem Moment, als die visuellen Hinweise entfernt wurden, die Route geändert wurde oder die Umgebung neu war, brachen die Modelle zusammen. Sie konnten weder generalisieren noch alte Lektionen behalten, während sie neue lernten.

Der Durchbruch gelang, als die Forscher ein Modell konstruierten, das die vorgeschlagene Struktur des Gehirns widerspiegelte. Dieses Modell, das sie „Vector-HaSH augmented Action policy“ nennen, besteht aus zwei Hauptteilen, die Hand in Hand arbeiten. Der erste Teil ist ein strukturiertes Gedächtnisgerüst basierend auf Gangzellen. Betrachten Sie dies als ein starres, inhaltsunabhängiges Lineal, das Distanz und Richtung misst. Es ist egal, welche Bilder es sind; es kümmert sich nur um den Raum zwischen ihnen. Der zweite Teil ist ein Policy-Netzwerk, das lernt, wie es sich basierend auf der vom Lineal gemessenen Distanz bewegen soll. Da das Lineal fest und universell ist, kann die in einer Umgebung gelernte Policy sofort auf eine neue angewendet werden. Das Modell bindet neue Bilder mithilfe eines schnellen, einmaligen Lernprozesses an dieses Lineal, ganz ähnlich wie das Hippocampus des Gehirns.

Als dieses neue Modell getestet wurde, reproduzierte es das volle Spektrum des menschlichen und affärenähnlichen Verhaltens. Es navigierte ohne visuelles Feedback, nahm neue Routen und passte sich augenblicklich an neue Umgebungen an, während es gleichzeitig die alten Erinnerungen bewahrte. Die Forscher schauten dann in das Modell hinein, um zu sehen, wie es arbeitet, und verglichen dessen interne Aktivität mit den tatsächlichen elektrischen Signalen, die aus den Gehirnen der die Aufgabe ausführenden Affen aufgezeichnet wurden. Sie fanden eine präzise Übereinstimmung. Das „Distanz“-Modul des Modells, das verfolgte, wie weit sich das Subjekt vom Ziel entfernt hatte, verhielt sich exakt wie die Neuronen im entorhinalen Kortex des Affen. Das „Action“-Modul des Modells, das entschied, wann zu bewegen und wann anzuhalten war, entsprach der Aktivität im posterioren Parietalkortex. Dies bestätigte, dass das Gehirn die Aufgabe der Navigation wahrscheinlich in zwei unterschiedliche Berechnungen aufteilt: eine, die die Distanz misst, und eine, die die Aktion entscheidet.

Eine letzte Entdeckung enthüllte, wie das Gehirn dieses System kalibriert. Die Forscher fanden heraus, dass das Modell für eine perfekte Funktion einen spezifischen Skalierungsfaktor lernen musste, um sein internes Lineal an den Abstand der Bilder auszurichten. Wenn die Markierungen des Lineals im Verhältnis zum Abstand der Bilder zu weit auseinander oder zu eng beieinander lagen, hatte das Modell Schwierigkeiten. Wenn das Modell jedoch erlaubt war, diesen Skalierungsfaktor während des Lernens anzupassen, fand es schnell die perfekte Ausrichtung, genau wie das Gehirn. Dies deutet darauf hin, dass das Gehirn seinen internen Sinn für Geschwindigkeit und Distanz aktiv abstimmt, um ihn an die Struktur der Umgebung anzupassen, die es erkundet.

Die Studie kommt zu dem Schluss, dass die Fähigkeit des Gehirns zu lernen, zu generalisieren und sich zu erinnern, nicht das Ergebnis von mehr Daten oder mehr Rechenleistung ist, sondern eines spezifischen architektonischen Designs. Indem es die invariante Struktur des Raums von dem spezifischen Inhalt der Erfahrung trennt, erschafft das Gehirn ein System, das sowohl flexibel als auch stabil ist. Der entorhinal-hippocampale Schaltkreis bietet ein universelles Maß, das es dem Gehirn ermöglicht, vergangene Lektionen auf neue Situationen anzuwenden, ohne die Vergangenheit zu löschen. Diese Faktorisierung von Gedächtnis und Aktion erklärt, wie wir in eine neue Stadt gehen können, uns dort zurechtfinden und dennoch den Weg nach Hause kennen – eine Leistung, die standardmäßige rekurrenten neuronale Netzmodelle bisher noch nicht erreicht haben.