A neural circuit algorithm for action grammar

Das menschliche Gehirn ist ein Meister des Musters, fähig, aus einem endlichen Satz von Regeln eine unendliche Vielfalt an Verhaltensweisen zu generieren. Diese Fähigkeit, abstrakte Anweisungen zu befolgen – wie die Grammatik, die Wörter zu Sätzen organisiert, oder die Sequenz, die eine Serie von Bewegungen in eine kohärente Handlung verwandelt – ist ein Kennzeichen von Intelligenz. Während moderne künstliche Intelligenz enorme Fortschritte bei der Mustererkennung gemacht hat, hat sie oft Schwierigkeiten, gelernte Regeln flexibel auf völlig neue Situationen anzuwenden, wie es Menschen und Tiere tun. Wissenschaftler vermuten schon lange, dass die frontalen und parietalen Regionen des Gehirns, Bereiche, die mit Planung und Organisation assoziiert sind, den Schlüssel zu dieser Flexibilität halten. Doch die spezifische Mechanik innerhalb dieser neuronalen Schaltkreise, die es einem Tier ermöglicht, eine Regel zu lernen und sie dann auf ein komplexeres Problem anzuwenden, blieb ein Rätsel. Zu verstehen, wie ein biologisches Netzwerk eine einfache Anweisung in einen mehrstufigen Plan übersetzt, ist entscheidend, um die Lücke zwischen der abstrakten Logik des Denkens und der physischen Realität feuernder Neuronen zu schließen.

Um diesen Mechanismus zu entschlüsseln, wandten sich Forscher an eine Aufgabe, die Affen bereits gemeistert hatten: das Zeichnen. In früheren Experimenten wurden Makaken Bilder gezeigt, die mehrere Objekte enthielten, wie etwa Linien und Kreise, und sie wurden aufgefordert, diese in einer bestimmten Reihenfolge nach einer Regel nachzuzeichnen, wie etwa „zuerst Linien, dann Kreise“. Bemerkenswerterweise wurden die Makaken nicht explizit in der Regel unterrichtet; sie erschlossen sie aus der Erfahrung. Sobald sie das Muster gelernt hatten, konnten sie es auf neue Bilder mit mehr Objekten anwenden, als sie je gesehen hatten, indem sie beispielsweise erfolgreich fünf Linien gefolgt von drei Kreisen nachzeichneten, selbst wenn sie zuvor nur mit zwei Linien und einem Kreis geübt hatten. Diese Fähigkeit zur Generalisierung deutet darauf an, dass das Gehirn eine angeborene Tendenz zum Lernen und Nutzen von Aktionsgrammatiken besitzt. Um zu sehen, wie dies „unter der Haube“ funktioniert, trainierte das Forschungsteam ein Computermodell, speziell ein rekurrentes neuronales Netz, um dieselbe Zeichenaufgabe auszuführen. Durch das Reverse-Engineering der internen Aktivität des Modells entdeckten sie einen präzisen, dreiteiligen Algorithmus, den das Netzwerk verwendet, um diese Sequenzen zu planen und auszuführen, was einen konkreten Bauplan dafür liefert, wie das Gehirn ähnliche Probleme lösen könnte.

Die Forscher fanden heraus, dass das Netzwerk nicht einfach nur auf das Bild reagiert, während es zeichnet; stattdessen entwirft es einen vollständigen Plan, noch bevor der erste Strich gesetzt wird. Wenn die Aufgabe beginnt, verschiebt sich der interne Zustand des Netzwerks in eine spezifische Startposition, die die gesamte zukünftige Sequenz kodiert. Stellen Sie sich die Aktivität des Netzwerks als einen Punkt in einem riesigen, mehrdimensionalen Raum vor. Bevor das Zeichnen beginnt, bewegt sich dieser Punkt an eine Stelle, die gleichzeitig zwei Informationen enthält: wie viele Linien gezeichnet werden müssen und wie viele Kreise gezeichnet werden müssen. Entscheidend ist, dass diese beiden Zahlen entlang separater, unabhängiger Richtungen in diesem Raum gespeichert sind, ganz ähnlich wie eine Landkarte Nord-Süd- und Ost-West-Achsen nutzt, um einen Punkt zu lokalisieren. Diese anfängliche Positionierung fungt als ein hochgradiger Entwurf, der sicherstellt, dass das Netzwerk genau weiß, wie viele Wiederholungen jeder Form erforderlich sind, noch bevor es überhaupt mit der Bewegung beginnt.

Sobald das Zeichnen beginnt, führt das Netzwerk den Plan aus, indem es sich entlang eines spezifischen Pfades bewegt, der dem aktuellen Objekt gewidmet ist. Wenn die Regel lautet, zuerst Linien zu zeichnen, bewegt sich die Aktivität des Netzwerks entlang eines „Linien-Pfades“ und wiederholt die Aktion so lange, wie die Distanz zum Ende dieses Pfades es zulässt. Das Netzwerk zählt nicht laut mit; vielmehr entspricht die Distanz, die es entlang dieses Pfades zurücklegen muss, direkt der Anzahl der Wiederholungen, die es ausführen muss. Während es sich bewegt, verbraucht es schrittweise die Distanz, bis es das Ende des Linien-Pfades erreicht. In diesem präzisen Moment geht das Netzwerk in die nächste Phase über. Es springt auf einen anderen Pfad, der den Kreisen gewidmet ist. Die Brillanz dieses Systems liegt darin, wie es den Übergang handhabt: Der Sprung erfolgt so geordnet und parallel, dass die Information darüber, wie viele Kreise noch zu zeichnen sind, erhalten bleibt. Das Netzwerk erreicht den Beginn des Kreis-Pfades in einer Distanz zum Ende, die exakt der Anzahl der Kreise entspricht, die es produzieren muss, sodass es die Sequenz fortsetzen kann, ohne die Zählung zu verlieren.

Dieser Mechanismus beruht auf drei verschiedenen Arten von neuronaler Aktivität, die im Einklang zusammenwirken. Einige Neuronen sind darauf spezialisiert, zu identifizieren, welches Objekt gerade gezeichnet wird, was effektiv den Modus des Netzwerks von „Linie“ zu „Kreis“ umschaltet. Andere verfolgen den Fortschritt des aktuellen Strichs und signalisieren, wie viele Wiederholungen noch verbleiben. Schließlich wird eine spezifische Gruppe von Neuronen genau an der Grenze zwischen den Formen hochaktiv und fungiert als Auslöser, der das Netzwerk von einem Pfad zum nächsten treibt. Die Forscher beobachteten, dass sich, während das Netzwerk das Ende einer Sequenz von Linien erreicht, die Hemmung, die die „Kreis“-Neuronen normalerweise unterdrückt, abschwächt, was es ihnen ermöglicht, zu feuern und zu übernehmen. Diese nahtlose Übergabe stellt sicher, dass die Zählung für das kommende Objekt während des Wechsels niemals verloren geht. Die Studie legt nahe, dass das Gehirn eine ähnliche Strategie der orthogonalen Planung und der parallelen Übergänge verwendet, um komplexe Verhaltensweisen zu organisieren, was es ihm ermöglicht, endlose Variationen von Handlungen aus einem einfachen Satz von Regeln zu generieren.

Die Implikationen dieser Entdeckung reichen über die Zeichenaufgabe hinaus. Der Mechanismus, den die Forscher aufgedeckt haben, liefert eine greifbare Erklärung dafür, wie das Gehirn ein mentales Programm aufrechterhalten kann, während es dessen Schritte ausführt. Er zeigt, dass das Gehirn nicht ständig die gesamte Sequenz neu berechnen muss; stattdessen setzt es einen Anfangszustand, der den vollständigen Plan enthält, und lässt dann die Dynamik des neuronalen Schaltkreises diesen Plan abarbeiten. Dieser Ansatz ermöglicht eine bemerkenswerte Flexibilität: Wenn sich das Problem ändert und mehr Wiederholungen erfordert, startet das Netzwerk einfach weiter draußen entlang derselben Pfade und nutzt dabei dieselbe zugrunde liegende Mechanik. Obwohl die aktuelle Studie eine Computersimulation verwendete, um dies zu demonstrieren, bieten die spezifischen Aktivitätsmuster, die das Modell vorhersagt – wie die orthogonale Kodierung von Zahlen und die parallelen Übergänge zwischen den Formen – klare, testbare Vorhersagen für zukünftige Experimente an lebenden Gehirnen. Indem sie aufzeigen, wie ein neuronaler Schaltkreis einen symbolischen Algorithmus implementieren kann, bringt uns diese Arbeit näher an das Verständnis der biologischen Basis der menschlichen Intelligenz und der Fähigkeit zu lernen, sich anzupassen und zu erschaffen.