🧬 biology

Structural Plasticity as Active Inference: A Biologically-Inspired Architecture for Homeostatic Control

Dit artikel introduceert SAPIN, een nieuw computationeel model dat biologische principes zoals actieve inferentie en structurele plasticiteit combineert om via lokale foutminimalisatie en celmigratie zelfstandig complexe taken, zoals het balanceren van een stok op een karretje, op te lossen.

Oorspronkelijke auteurs: Brennen A. Hill

Gepubliceerd 2026-02-11

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Brennen A. Hill

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

De "Zelfbouwende Brein-Robot": Hoe een netwerk leert door te bewegen

Stel je voor dat je een team van kleine, intelligente bouwmeesters hebt. Je geeft ze één opdracht: "Zorg dat de toren niet omvalt." Maar er is een probleem: je geeft ze geen handleiding, je geeft ze geen beloning (zoals snoepjes) als het lukt, en je geeft ze geen straf als het misgaat. Sterker nog, de bouwmeesters mogen tijdens het werk ook nog eens hun plek op de bouwplaats veranderen.

Hoe zouden ze dat aanpakken? Dat is precies wat de wetenschapper Brennen Hill heeft onderzocht met zijn nieuwe model: SAPIN.

1. Het probleem met huidige AI: De starre robot

De meeste AI die we nu kennen (zoals ChatGPT) werkt als een enorme, starre machine. De verbindingen tussen de onderdelen liggen vast. Als de machine iets moet leren, moet een centrale computer "van bovenaf" vertellen wat er fout gaat. Dat is heel krachtig, maar het is niet hoe een echt biologisch brein werkt. Een brein is veel dynamischer; het is een levende, veranderende massa.

2. De oplossing van SAPIN: Twee manieren om te leren

Hill heeft een systeem gebouwd dat niet alleen leert wat het moet doen, maar ook waar het moet staan. Hij gebruikt hiervoor twee slimme trucjes:

Trucje 1: De "Verwachtings-Check" (Synaptische Plasticiteit)
Elke kleine cel in het netwerk heeft een eigen verwachting. Een cel denkt bijvoorbeeld: "Ik verwacht dat er nu een signaal van links komt." Als er plotseling een signaal van rechts komt, ontstaat er een soort "verrassing" (foutje). De cel past zichzelf direct aan om de volgende keer de verrassing te voorkomen. Het is alsof je een danspartner leert hoe je moet bewegen door simpelweg te reageren op de misstappen die jullie maken.
Trucje 2: De "Verhuizing" (Structurele Plasticiteit)
Dit is het meest bijzondere deel. Als een cel merkt dat hij constant verrast wordt of dat zijn plek totaal niet werkt, dan gaat hij... wandelen. De cel verplaatst zich fysiek over het rooster naar een plek waar de informatie logischer binnenkomt. Het netwerk bouwt dus tijdens het leren zijn eigen vorm. Het is niet alleen een computerprogramma, het is een soort digitale klei die zichzelf vormt naar de taak die het moet uitvoeren.

3. De test: De wankele stok (Cart Pole)

Om te kijken of dit werkte, liet Hill het systeem een klassiek spelletje spelen: een stokje op een karretje in evenwicht houden. Als de stok kantelt, valt hij om.

Het resultaat was verbazingwekkend: het netwerk leerde het stokje in evenwicht te houden zonder dat het ooit een beloning kreeg.

Waarom? Omdat "evenwicht" voor het netwerk de meest voorspelbare staat is. Als de stok wankelt, wordt alles chaotisch en onvoorspelbaar (veel "verrassingen"). Het netwerk heeft een natuurlijke drang om die chaos te vermijden. Het zoekt naar rust en voorspelbaarheid. In dit geval betekent "rust" simpelweg: het stokje recht houden.

4. De conclusie: Leren door te zijn

Dit onderzoek laat zien dat intelligentie niet per se hoeft te komen van ingewikkelde regels of beloningen van buitenaf. Intelligentie kan ook voortkomen uit een simpel, intern verlangen naar orde en voorspelbaarheid.

Door een systeem te geven dat zowel zijn "kennis" (de verbindingen) als zijn "lichaam" (de positie van de cellen) kan aanpassen, creëer je een vorm van kunstmatige intelligentie die veel meer lijkt op de natuur: een zelforganiserend systeem dat zichzelf vormt om te overleven in een chaotische wereld.

Technische Samenvatting: Structural Plasticity as Active Inference

Probleemstelling

Traditionele kunstmatige neurale netwerken vertrouwen op biologisch onwaarschijnlijke mechanismen, zoals globale backpropagation, om te leren. Deze methoden missen de dynamische, zelforganiserende eigenschappen van biologische systemen, waarbij niet alleen de verbindingen (synapsen) veranderen, maar ook de fysieke structuur van het netwerk (morfogenese). Het centrale probleem is hoe een systeem stabiel en adaptief gedrag kan vertonen door enkel gebruik te maken van lokale, zelforganiserende regels, zonder expliciete externe beloningssignalen of globale foutcorrectie.

Methodologie: Het SAPIN-model

De auteur introduceert het Structurally Adaptive Predictive Inference Network (SAPIN). Dit is een computationeel model dat is gebaseerd op de principes van Active Inference en het Free Energy Principle. Het model werkt op een 2D-grid van 9x9 cellen en maakt gebruik van twee parallelle leermechanismen:

Synaptische Plasticiteit (LTM - Long-Term Memory):
- Dit is een lokale, Hebbiaanse regel die de verbindingssterktes ( $s$ ) en de homeostatische verwachting ( $E$ ) van een cel bijwerkt.
- De update wordt gedreven door de lokale voorspellingsfout: het verschil tussen de werkelijke activatie ( $V$ ) van een cel en de geleerde verwachting ( $E$ ).
Structurele Plasticiteit (Beweging):
- In tegenstelling tot statische netwerken kunnen de verwerkingscellen in SAPIN fysiek over het grid migreren.
- De beweging wordt gestuurd door de "behoefte" (desire), gedefinieerd als de langetermijngemiddelde voorspellingsfout.
- Als een cel chronisch over- of ondergeactiveerd is, verplaatst deze zich naar een nieuwe locatie om een voorspelbaardere inputstroom te vinden. Dit optimaliseert de topologie van het netwerk.

Signaalverwerking: Het netwerk gebruikt een "winner-takes-all" propagatiewijze waarbij activatie door het grid stroomt op basis van de hoogste absolute activatie, wat een data-gestuurde, niet-seriële informatiestroom mogelijk maakt.

Belangrijkste Bijdragen

Integratie van morfologie en inferentie: SAPIN koppelt computationele inferentie (hoe informatie wordt verwerkt) direct aan structurele adaptatie (waar de rekenkracht wordt geplaatst).
Zelfvoorzienende controle: Het model toont aan dat een agent complexe controle-taken kan uitvoeren zonder externe beloningssignalen (zoals dopamine of scores), enkel door het minimaliseren van lokale voorspellingsfouten.
Biologisch geïnspireerde architectuur: Het overbrugt de kloof tussen theoretische neurowetenschap (Friston's Free Energy Principle) en computationele implementaties door structurele plasticiteit als een fundamentele component van intelligentie te behandelen.

Resultaten

Het model werd getest op de klassieke Cart Pole benchmark (het balanceren van een stok op een karretje):

Succesvolle controle: SAPIN slaagde erin de Cart Pole-taak op te lossen door een stabiel balancerend beleid te ontdekken.
Homeostase als drijfveer: Een opvallende bevinding was dat het toevoegen van expliciete straffen (bij falen) geen significant effect had op het leerproces. De intrinsieke drang om voorspelbaarheid te maximaliseren (homeostase) was voldoende om de taak te volbrengen.
Stabiliteit vs. Plasticiteit: Hoewel continu leren leidde tot instabiliteit (het vergeten van goede strategieën), bleek het "vastzetten" (locking) van de parameters na succes zeer effectief. Gevestigde netwerken behielden een gemiddelde succesratio van 82% over 100 episodes.

Significantie

Dit onderzoek levert een proof-of-concept dat actieve inferentie een voldoende mechanisme is voor zelfstandige controle en zelforganisatie. Het suggereert dat intelligentie niet alleen voortkomt uit het verfijnen van gewichten, maar ook uit het actief vormgeven van de eigen fysieke/structurele configuratie om de omgeving voorspelbaar te maken. Dit opent de weg naar nieuwe vormen van AI die robuuster en energie-efficiënter kunnen zijn door hun eigen architectuur aan te passen aan de taak.