Constructed Reality, Contested Priors: Decoupling and the Architecture of Cognitive Relapse Under the Free Energy Principle

Technische Samenvatting: Geconstrueerde Realiteit, Betwiste Priors

Probleemstelling
Onder het Free Energy Principle (FEP) observeert een predictief systeem de realiteit niet direct, maar ervaart het de best huidige hypothese van zijn eigen generatieve model. Dit roept een cruciale, ontestbare vraag op in levende systemen: Kan een synthetische omgeving worden geconstrueerd met voldoende interne consistentie om de baseline-omgeving permanent te verdringen als de standaard generatieve prior van het systeem? Het artikel definieert deze staat als ontologische inversie.

Het direct testen hiervan in een biologisch zenuwstelsel is ethisch en technisch onmogelijk. Daarom onderzoekt het artikel het onderliggende computationele probleem met behulp van een proxy-systeem. De kern van de theoretische uitdaging is bepalen of een systeem kan worden geïnduceerd om een nieuwe omgeving te behandelen als zijn "grondwaarheid" (standaardtoestand) in plaats van deze slechts als een hypothese te representeren, en om de structurele faalmodi te begrijpen die deze adoptie verhinderen.

Methodologie
De studie maakt gebruik van een computationele proxy: een V+M-model bestaande uit een Convolutional Variational Autoencoder (VAE) gekoppeld aan een Recurrent Latent Predictor (GRU).

• Wiskundige Correspondentie: De VAE is getraind om de Evidence Lower Bound (ELBO) te minimaliseren, wat wiskundig identiek is (op teken na) aan de variational free energy gedefinieerd in het FEP. Het trainingsproces is daarmee een directe minimalisatie van vrije energie, en geen simulatie ervan.
• Omgevingen:
  • $I_0$ (Baseline): MNIST-dataset.
  • $I_s$ (Target): FashionMNIST-dataset.
• Trainingsprotocol:
  1. Fase 1: Modellen worden exclusief op $I_0$ (MNIST) voorgetraind om een sterke baseline-prior te vestigen.
  2. Fase 2 (Rehearsal): De training wordt voortgezet op een gemengde stroom van $I_0$ en $I_s$. De rehearsal ratio ($r$) controleert het deel $I_0$-data in elke batch ($r \in \{0.0, 0.2, 0.3, 0.4, 0.5, 1.0\}$).
• Kernmetrieken:
  • $w_{proxy}$ (Representatieve Capaciteit): De nauwkeurigheid van een lineaire probe die latente vectoren van echte inputs classificeert. Dit meet het vermogen van het systeem om tussen omgevingen te onderscheiden.
  • $dmn_{proxy}$ (Default Gedrag): De waarschijnlijkheid dat de onbeperkte, zelfgegenereerde output van het systeem (free-running GRU rollouts) lijkt op de doelomgeving ($I_s$). Dit meet wat het systeem standaard kiest wanneer het niet door externe input wordt beperkt.
  • $F_{proxy}$: De ELBO, die de generatieve fit op de huidige trainingsmix meet.

Kernbijdragen en Theoretisch Kader
Het artikel introduceert een kader dat onderscheid maakt tussen leren (representatieve capaciteit) en acceptatie (adoptie van de standaardtoestand). Het stelt twee specifieke faalmodi voor voor ontologische inversie voor:

1. Ontkoppeling (Decoupling): De hypothese dat een systeem een bijna perfecte representatieve nauwkeurigheid ($w_{proxy}$) voor een nieuwe omgeving kan bereiken, terwijl de default-gedrag ($dmn_{proxy}$) nog steeds wordt beheerst door de baseline.
2. Cognitieve Terugval (Cognitive Relapse): De hypothese dat zelfs als een systeem zijn default-gedrag verschuift naar de doelomgeving, voortdurende blootstelling aan de baseline (via gelijktijdige contrast) kan ervoor zorgen dat het systeem gedeeltelijk terugvalt naar de baseline, in plaats van te stabiliseren bij de nieuwe default.

Het artikel herdefinieert cognitieve rigiditeit niet als een enkele snelheid van updaten (traag leren), maar als een structurele eigenschap met twee onafhankelijke assen: een plafond op de capture van de standaardtoestand (ontkoppeling) en een grens waar bereikte verschuivingen instabiel worden (terugval).

Resultaten
Over 90 experimentele runs (15 seeds $\times$ 6 ratio's) leverde de studie drie primaire bevindingen op:

1. Ontkoppeling van Leren en Acceptatie:

   • De representatieve nauwkeurigheid ($w_{proxy}$) bleef nabij het plafond (0.97–0.998) in alle condities, inclusief $r=1.0$ (waarbij het model de doelomgeving tijdens Fase 2 nooit zag).
   • Het default-gedrag ($dmn_{proxy}$) varieerde drastisch, van 0.011 ($r=1.0$) tot 0.999 ($r=0.0$).
   • Conclusie: Hoge representatieve capaciteit is noodzakelijk maar niet voldoende voor ontologische inversie. Een systeem kan een nieuwe realiteit perfect onderscheiden zonder deze als zijn default te adopteren.

2. Cognitieve Terugval (Overshoot en Regressie):

   • Bij intermediaire ratio's ($r=0.2$ tot $0.5$) verschoof het default-gedrag van het systeem aanvankelijk naar de doelomgeving, waarbij vaak nabij-plafondwaarden werden bereikt ($dmn_{proxy} \approx 1.0$).
   • Echter, naarmate de training onder dezelfde gemengde condities voortduurde, regresseerde het default-gedrag gedeeltelijk naar de baseline.
   • De omvang van deze regressie schaalde met de rehearsal ratio $r$. Bij $r=0.4$ en $r=0.5$ vertoonde het systeem een duidelijke "stijging, piek, daling" traject, wat de modellen tegenspreekt die rigiditeit louter zien als traag leren (wat een monotone, tragere stijging zou voorspellen).

3. Drempeleffecten:

   • Bij $r=0.5$ slaagde een meerderheid van de seeds (8/15) er niet in om de 0.90 drempel voor default capture te overschrijden binnen de 15-epoch window, en de variantie in uitkomsten nam scherp toe, wat wijst op een potentieel bifurcatiepunt in de dynamica van het systeem.
   • Bij $r=1.0$ trad er geen verschuiving op, wat bevestigt dat zonder blootstelling aan de doelomgeving de baseline-prior dominant blijft.

Betekenis en Reikwijdte van Claims
Het artikel frameert zijn bijdrage expliciet als een computationeel bewijs van bestaan, niet als een biologische validatie.

• Wat het aantoont: Het bewijst dat een mechanisme afgeleid van eerste principes (Free Energy minimalisatie) ontkoppeling (hoge representatie, lage acceptatie) en terugval (tijdelijke adoptie gevolgd door regressie) als structurele eigenschappen kan vertonen, onafhankelijk van specifieke architecturale aannames.
• Wat het niet claimt: Het artikel maakt geen claims over biologische zenuwstelsels, subjectieve ervaring of het Default Mode Network bij mensen. De termen "cognitieve terugval" en "ontologische inversie" worden strikt gebruikt als labels voor geobserveerde curvevormen in een kunstmatig netwerk.
• Beperkingen: De resultaten zijn beperkt tot een 15-epoch window (lange-termijn stabiliteit daarbuiten is onbekend), gebruiken een grove operationalisering van "gelijktijdige contrast" (vaste batch ratio), en vertrouwen op zeer goed scheidbare datasets (MNIST versus FashionMNIST) die mogelijk de complexiteit van echte concurrerende omgevingen niet weerspiegelen.

Conclusie
De studie stelt vast dat weerstand tegen modelvervanging niet louter een functie is van leersnelheid. In plaats daarvan is het een structureel fenomeen waarbij representatieve capaciteit en default generatief gedrag van elkaar kunnen worden losgekoppeld, en waarbij bereikte verschuivingen in default-gedrag instabiel kunnen zijn onder aanhoudende gedeeltelijke blootstelling aan de oorspronkelijke prior. Dit biedt een formeel, testbaar kader voor het begrijpen van de condities waaronder een generatief systeem een geconstrueerde realiteit als zijn default kan (of niet kan) adopteren.