The limbic navigation system as a hierarchical RNN
Dieses Paper führt ein hierarchisches rekurrentes neuronales Netz ein, das durch Pfadintegrations-Training erfolgreich zentrale neuronale Repräsentationen, Schaltkreis-Motive und dynamische Phänomene des limbischen Navigationssystems des Gehirns reproduziert und somit einen biologisch interpretierbaren Rahmen bietet, um neuronale Mechanismen mit räumlichem Verhalten zu verknüpfen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Um zu verstehen, wie ein Tier seinen Weg nach Hause findet, blicken Wissenschaftler auf ein spezialisiertes Netzwerk im Inneren des Gehirns, das als limbische Navigationssystem bekannt ist. Dieses System fungiert als interner Kompass und Karte, was es Kreaturen ermöglicht, ihre Position und Orientierung zu verfolgen, ohne auf Landmarken angewiesen zu sein. Es stützt sich auf verschiedene Arten von Nervenzellen, die in spezifischen Mustern feuern: Einige signalisieren, in welche Richtung sich das Tier ausrichtet, andere messen, wie schnell es sich bewegt, und eine dritte Gruppe erzeugt ein gitterartiges Muster, das den Ort im Raum markiert. Jahrzehntelang haben Forscher versucht zu verstehen, wie diese verschiedenen Signale verarbeitet und kombiniert werden. Während einige Modelle erfolgreich die Feuerungsmuster einzelner Zellen reproduzieren konnten, behandeln sie das Gehirn oft als eine einzige, flache Maschine und übersehen dabei die Tatsache, dass das echte Gehirn Richtung und Geschwindigkeit in getrennten, miteinander verbundenen Stadien verarbeitet.
Ein Team von Forschern am University College London hat ein neues Modell entwickelt, um diese Lücke zu schließen. Sie erschufen ein hierarchisches rekurrentes neuronales Netzwerk, ein System, das darauf ausgelegt ist, die geschichtete Struktur des Gehirns nachzuahmen. Anstatt dem Computer ein einzelnes, vorgefertigtes Geschwindigkeits- und Richtungssignal zuzuführen, gaben sie ihm zwei separate Eingaben: eine dafür, wie schnell sich das Tier dreht, und eine weitere dafür, wie schnell es sich vorwärts bewegt. Das Modell ist in vier distinkte Schichten unterteilt, die Informationen in einer bestimmten Reihenfolge weitergeben, ganz ähnlich wie ein Fließband in einer Fabrik, bei dem Rohmaterialien Schritt für Schritt in ein fertiges Produkt verwandelt werden. Die ersten Schichten verarbeiten die Drehsignale, während die späteren Schichten diese Richtungen mit der Geschwindigkeit kombinieren, um den exakten Standort des Tieres in einem zweidimensionalen Raum zu berechnen.
Als die Forscher dieses System darauf trainierten, die Aufgabe der Pfadintegration zu bewältigen – also die Position allein basierend auf der Bewegung zu verfolgen –, lernte es mehr als nur das Lösen eines mathematischen Problems. Das Netzwerk entwickelte spontan interne Repräsentationen, die den echten biologischen Zellen im Gehirn von Ratten und Mäusen verblüffend ähnlich sahen. Die ersten Schichten des Modells erzeugten Zellen, die feuerten, wenn das Tier nach links oder rechts drehte, was die Zellen für die Winkelgeschwindigkeit widerspiegelte. Als das Signal zur zweiten Schicht gelangte, wurden die Zellen fokussierter auf die reine Richtung, was den Zellen für die Kopfrichtung ähnelte. In den tieferen Schichten generierte das Netzwerk Zellen, die in einem Gittermuster feuerten, genau wie die berühmten Gitterzellen im entorhinalen Kortex des Gehirns. Entscheidend war, dass das Modell auch Zellen produzierte, die Richtung und Ort kombinierten – ein komplexer Zelltyp, der in der Natur beobachtet wird, aber in einfacheren Computermodellen selten vorkommt.
Die Forscher zwangen das Modell nicht dazu, dem Gehirn zu ähneln; sie ließen es die Aufgabe einfach lernen. Dennoch entsprachen die internen Verbindungen, die es bildete, den bekannten biologischen Mustern. Das Netzwerk entwickelte eine ringförmige Struktur, in der die Aktivität reibungslos in einem Kreis fließen konnte – ein Merkmal, das als essenziell für die Aufrechterhaltung eines stabilen Orientierungssinns gilt. Es schuf zudem spezifische, asymmetrische Verbindungen zwischen den Zellen, die es dem System ermöglichten, seine interne Karte korrekt zu verschieben, wenn das Tier sich drehte. Als die Wissenschaftler die Robustheit des Modells testeten, stellten sie fest, dass es weitaus längere Distanzen navigieren konnte, als es während des Trainings gesehen hatte, was darauf hindeutet, dass es ein allgemeines Prinzip der Bewegung gelernt hatte, anstatt nur spezifische Pfade auswendig zu lernen.
Um zu sehen, wie diese Teile zusammenwirken, führten die Forscher virtuelle Experimente durch, indem sie bestimmte Gruppen von Zellen innerhalb des Modells deaktivierten. Als sie die Zellen ausschalteten, die für die Erkennung von Linksdrehen verantwortlich waren, begann der interne Orientierungssinn des Modells kontinuierlich nach rechts zu driften. Als sie die Verbindungen zwischen den richtungssensiblen Schichten und den ortsensiblen Schichten unterbrachen, begannen die gitterartigen Muster, die den Ort markieren, zu zerfallen und ihre Form zu verlieren. Diese Ergebnisse spiegeln reale Experimente wider, bei denen die Schädigung spezifischer Hirnareale bei Tieren zu ähnlicher Desorientierung führt, was bestätigt, dass das Modell die kausalen Beziehungen zwischen den verschiedenen Zelltypen erfasst hat.
In einem abschließenden, anspruchsvollen Test führten die Forscher einen rhythmischen Impuls in das Modell ein, der die natürlichen Theta-Wellen des Gehirns imitiert – langsame elektrische Oszillationen, die während der Bewegung auftreten. Indem sie zwei Gruppen von Drehzellen dazu brachten, sich im Rhythmus dieser Wellen gegenseitig zu hemmen, begann das Modell, seine interne Karte schnell hin und her zu bewegen. Dies erzeugte einen „Theta-Sweep“, ein Phänomen, bei dem das Gehirn Orte links und rechts der aktuellen Position des Tieres in schneller Folge kurzzeitig simuliert. Dieses Verhalten, das kürzlich bei echten Tieren beobachtet wurde, entstand natürlich in der Simulation, ohne dass die Forscher es explizit programmiert hatten.
Die Studie legt nahe, dass das komplexe Navigationssystem des Gehirns keine zufällige Sammlung von Teilen ist, sondern eine hoch organisierte Hierarchie, in der Richtung und Geschwindigkeit separat verarbeitet werden, bevor sie kombiniert werden. Durch den Bau eines Modells, das diese Struktur respektiert, haben die Forscher einen digitalen Zwilling geschaffen, der das Verhalten echter Neuronen und der Schaltkreise, die sie verbinden, reproduzieren kann. Dieser Ansatz bietet eine leistungsstarke neue Möglichkeit, Ideen darüber zu testen, wie das Gehirn funktioniert, indem er es Wissenschaftlern ermöglicht, virtuelle Experimente durchzuführen, die an lebenden Tieren schwierig oder unmöglich wären. Die Arbeit deutet darauf hin, dass die spezifische Architektur des Navigationssystems des Gehirns nicht bloß ein biologischer Zufall ist, sondern eine notwendige Lösung für das Problem der Positionsbestimmung in einer bewegten Welt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.