Associative Emotional Learning in Convolutional Neural Networks

De Emotionele Cheatcode van het Brein

Stel je voor dat je brein een superintelligente detective is die elke seconde van je leven een mysterie probeert op te lossen. Een van de belangrijkste taken is uitzoeken wat goed voor je is (zoals een warme knuffel of een stuk pizza) en wat slecht is (zoals een zoemende bij of een gladde bananenschil). Dit vermogen om een neutraal ding — zoals een specifiek geluid of een vorm — te koppelen aan een gevoel van vreugde of angst, wordt associatief emotioneel leren genoemd. Het is de reden waarom je misschien een beetje nerveus wordt als je een tandartsboor hoort, nog voordat je de stoel ziet, omdat je brein heeft geleerd dat geluid te verbinden met een eerdere slechte ervaring. Wetenschappers proberen computer modellen te bouwen om te begrijpen hoe dit werkt, maar oude modellen waren een beetje als eenvoudige rekenmachines: ze konden de berekeningen uitvoeren, maar ze konden de wereld niet echt "zien" zoals een mens dat doet. Ze hadden moeite om uit te leggen hoe onze hersenen complexe, chaotische beelden verwerken en deze omzetten in gevoelens.

Maak kennis met Deep Learning, een type kunstmatige intelligentie dat gebruikmaakt van lagen digitale "neuronen" om patronen te herkennen, vergelijkbaar met de visuele cortex in onze ogen en ons brein. Deze netwerken zijn geweldig in het herkennen van katten op foto's of het lezen van handschriften. Maar kunnen ze leren voelen? Kan een computer, die zelf geen gevoelens heeft, een saai object als "eng" behandelen, simpelweg omdat het werd gekoppeld aan een enge afbeelding? Dit is de grote vraag waar onderzoekers zich mee bezighouden. Als we een computer kunnen leren om emoties te ervaren zoals een mens dat doet, kunnen we eindelijk de verborgen mechanismen van onze eigen geest begrijpen, wat ons helpt te begrijpen waarom sommige mensen vast komen te zitten in angstloops (zoals bij angststoornissen of PTSS) en hoe we hen kunnen helpen daaruit te breken.

---

Het Digitale Brein Leert Voelen

In dit onderzoek bouwde een team van onderzoekers een speciaal computerbrein om te zien of het emoties kon leren zoals wij dat doen. Ze creëerden een model genaamd het Visual-Valence Model. Denk aan dit model als een systeem met twee hoofdonderdelen: een "Visuele Cortex" die fungeert als een paar ogen, en een "Emotie-module" die fungeert als het gevoelencentrum van het brein (specifiek de amygdala en de orbitofrontale cortex). Om het nog realistischer te maken, voegden ze een "shortcut" (snelkoppeling) toe. Dit is een soort snelle rijstrook waarmee de ogen een snelle, ruwe schets van een scène naar het gevoelencentrum kunnen sturen voordat de ogen klaar zijn met het maken van een gedetailleerde foto. Dit bootst na hoe onze echte hersenen soms reageren op gevaar voordat we zelfs maar volledig begrijpen waar we naar kijken.

Eerst moesten de onderzoekers dit digitale brein leren hoe "goed" en "slecht" eruitzien. Ze toonden het duizenden echte foto's uit het International Affective Picture System (IAPS), die beroemd zijn om het feit dat ze ofwel zeer aangenaam zijn (zoals een puppy of een zonsondergang) of zeer onprettig (zok een spin of een vies toilet). De computer leerde een "valence"-score te voorspellen voor deze afbeeldingen, een getal van 1 (extreem onprettig) tot 9 (extreem aangenaam), waarbij 5 neutraal is. Na deze training kon de computer naar een foto kijken en zeggen: "Dat is een 2, dat is slecht," of "Dat is een 8, dat is geweldig!"

Toen kwam de echte toertjes: Pavloviaanse conditionering. Je kent dit misschien van de beroemde experimenten met honden, waarbij een bel een hond deed kwijlen. Hier gebruikten de onderzoekers een neutraal object: een Gabor-patch. Stel je een wazige, gestreepte cirkel voor die lijkt op een stukje ruis op een oude tv. Op zichzelf is deze patch saai en heeft deze geen emotionele betekenis. De onderzoekers koppelden een 45-graden gestreepte patch aan een "onprettige" afbeelding (zoals een pistool of een spin) en een 135-graden gestreepte patch aan een "aangename" afbeelding (zoals een familieportret of een puppy). Ze lieten deze paren herhaaldelijk aan de computer zien.

De resultaten waren fascinerend. Na slechts een paar rondes van het zien van deze paren, begon de computer van mening te veranderen over de saaie strepen. Wanneer de computer alleen de 45-graden patch te zien kreeg (zonder de enge afbeelding), beoordeelde hij deze plotseling als onprettig (ongeveer een 2,3). Wanneer de computer de 135-graden patch alleen zag, beoordeelde hij deze als aangenaam (ongeveer een 8,0). De computer had geleerd de neutrale strepen te associëren met de gevoelens van de afbeeldingen waarmee ze gepaard gingen, precies zoals een mens dat zou doen.

Maar had de computer gewoon de exacte plaatjes uit het hoofd geleerd, of heeft hij echt geleerd? De onderzoekers testten dit met generalisatie. Ze toonden de computer strepen onder hoeken die hij nog nooit eerder had gezien, zoals 30 graden of 60 graden. De reactie van de computer vervaagde geleidelijk naarmate de strepen verder verwijderd waren van de "getrainde" hoeken. Als hij getraind was op 45 graden, voelde een 30-graden streep een beetje eng, maar een 90-graden streep voelde neutraal. Dit "vervagingseffect" is precies wat er bij mensen gebeurt, wat suggereert dat de computer niet alleen pixels uit het hoofd leerde, maar daadwerkelijk een concept leerde. Ze testten ook of de locatie van de streep uitmaakte. Zelfs toen ze de strepen naar verschillende hoeken van het scherm verplaatsten waar ze niet op getraind waren, voelde de computer nog steeds de emotie, hoewel het effect het sterkst was waar hij voor getraind was.

Om te begrijpen hoe de computer leerde, keken de onderzoekers in zijn "brein" naar de individuele digitale neuronen. Ze ontdekten dat vóór het leren de neuronen die reageerden op de enge plaatjes anders waren dan de neuronen die reageerden op de saaie strepen. Maar na het leren begonnen de neuronen die reageerden op de 45-graden streep steeds meer te lijken op en te functioneren als de neuronen die reageerden op de enge plaatjes. De computer had zijn interne kaart fysiek herschapen om het neutrale object eruit te laten zien als het emotionele object.

De studie ontdekte ook dat dit "shortcut"-pad cruciaal was. Wanneer ze de snelle verbinding verwijderden, slaagde de computer er niet in om de emotionele associatie te leren. Dit suggereert dat het hebben van een directe, snelle route van het vroege zicht naar het emotiecentrum essentieel is voor het plaatsvinden van dit soort leren.

De onderzoekers benadrukken echter voorzichtig wat deze studie niet heeft gedaan. De computer "voelde" niets; hij berekende slechts getallen. Het visuele deel van de computerhersenen was "bevroren", wat betekent dat de computer zijn eigen ogen niet veranderde tijdens het leerproces, alleen het emotiegedeelte deed dat. Echte menselijke hersenen veranderen misschien ook hun ogen, en dit model kon dat niet testen. Ook had de computer geen manier om te "ontleren" (extinctie), wat is hoe wij ophouden met bang zijn voor iets zodra we beseffen dat het veilig is.

Uiteindelijk suggereert deze studie dat diepe neurale netwerken, wanneer ze gebouwd zijn met de juiste snelkoppelingen en getraind met de juiste emotionele regels, de manier waarop mensen emotionele herinneringen vormen kunnen nabootsen. Het laat zien dat we geen magische "ziel" nodig hebben om associaties te leren; we hebben misschien alleen de juiste soort gelaagde, met snelkoppelingen verbonden architectuur nodig. Hoewel dit een simulatie is en geen echt menselijk brein, biedt het een krachtig nieuw instrument voor wetenschappers om te onderzoeken hoe onze geest de wereld om ons heen verbindt met onze diepste gevoelens.