Neural sampling from cognitive maps enables goal-directed imagination and planning

Dit paper introduceert een energie-efficiënt neuronaal model dat cognitieve kaarten, stochastisch rekenen en compositional codering combineert om doelgericht plannen en het oplossen van nieuwe problemen mogelijk te maken zonder zware deep learning-modellen, waardoor het geschikt is voor implementatie op energiezuinige neuromorfe hardware.

De kern

Hoe ons brein slim plannen maakt zonder zware batterijen: Een verhaal over mentale kaarten en fantasie

Stel je voor dat je een supercomputer hebt die een heel dag lang kan werken met de energie van één kleine batterij. Dat is wat ons brein doet. Het verbruikt maar ongeveer 20 watt (zoals een zwakke gloeilamp), terwijl AI-systemen die net zo slim moeten zijn, enorme datacenters nodig hebben met koelsystemen die de hele stad van stroom kunnen voorzien.

De vraag is: Hoe doet ons brein dit? En kunnen we dit nabootsen in slimme apparaten die we mee kunnen nemen?

De auteurs van dit paper (Hui Lin, Yukun Yang en collega's) hebben een antwoord gevonden. Ze hebben een nieuw model bedacht dat drie dingen combineert die ons brein gebruikt: mentale kaarten, kansberekening en samenstellen.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De Mentale Kaart (Cognitive Map)

Stel je voor dat je in een nieuwe stad loopt. Je brein maakt niet alleen een lijstje van straten, maar een echte, driedimensionale kaart in je hoofd. Je weet niet alleen waar je bent, maar ook hoe je van A naar B komt.

In de wetenschap noemen ze dit een cognitieve kaart. Meestal denken we hierbij aan fysieke locaties (zoals een muis in een doolhof), maar dit paper laat zien dat ons brein deze kaarten ook maakt voor abstracte problemen.

• Voorbeeld: Als je moet bedenken hoe je een hamer koopt, maakt je brein een kaart van stappen: "Zoek online" -> "Bestel" -> "Verwacht pakket". Dit is net zo'n kaart als voor een fysieke route.

2. De Kracht van Fantasie (Stochastisch Sampling)

Dit is het meest interessante deel. Als je een probleem moet oplossen, hoeft je brein niet elke mogelijke route één voor één uit te rekenen (zoals een oude computer). In plaats daarvan "fantaseert" het.

Stel je voor dat je een munt opgooit. Soms valt hij op kop, soms op munt. Het brein doet iets vergelijkbaars: het laat een willekeurige stroom van mogelijke routes door zijn mentale kaart glijden.

• De Magie: Omdat de kaart een "gevoel van richting" heeft (je weet waar het doel ligt), komen de meeste van die willekeurige fantasieën toch in de buurt van het doel.
• Het Analoge: Het is alsof je in een donker bos staat en honderden kleine kaarsen aansteekt. De meeste kaarsen vallen op de grond, maar een paar vallen precies op het pad dat naar de uitgang leidt. Je hoeft niet het hele bos te verlichten om de weg te vinden; je hoeft alleen te kijken waar de kaarsen het beste liggen.

Dit proces heet "stochastisch sampling" (kansbepaling), maar in het Nederlands kunnen we het zien als gericht fantaseren. Het brein probeert snel een paar goede ideeën te bedenken in plaats van alles perfect te berekenen.

3. De Omgekeerde Kaart (Inverse Model)

Hoe weet het brein welke stap te zetten? Normaal gesproken denkt een computer: "Als ik stap X doe, gebeurt er Y."
Dit paper introduceert een slimme truc: het brein leert ook een omgekeerde kaart.

• De Analogie: Stel je voor dat je een bal wilt gooien naar een doel. Een normale computer berekent de luchtweerstand en de kracht. De "omgekeerde" manier is: "Ik wil dat de bal daar landt. Welke beweging moet ik maken om daar te komen?"
• Het model leert deze omgekeerde relatie heel snel en lokaal (zonder zware berekeningen). Hierdoor kan het direct een stap zetten in de goede richting, zelfs als het doel nog nooit eerder is gezien.

Waarom is dit belangrijk?

Deze methode is revolutionair voor drie redenen:

1. Energiebesparing: Omdat het model geen zware "deep learning" berekeningen nodig heeft (zoals grote AI-modellen die nu populair zijn), kan het draaien op kleine, energiezuinige chips. Denk aan slimme horloges of robots die jarenlang op één batterij kunnen werken.
2. Snel aanpassen: Als je doel verandert (bijvoorbeeld: je wilde naar het station, maar nu moet je naar de supermarkt), hoeft het brein niet opnieuw te leren. Het gebruikt gewoon dezelfde kaart en fantasieert een nieuwe route. AI-systemen moeten vaak opnieuw getraind worden voor zo'n kleine verandering.
3. Oplossen van nieuwe problemen: Het model kan problemen oplossen die het nog nooit heeft gezien. Omdat de "kaart" is opgebouwd uit losse onderdelen (compositional), kan het die onderdelen op een nieuwe manier combineren.
   • Voorbeeld uit het paper: Het model kon puzzels oplossen waarbij het een silhouet moest opbreken in bouwstenen. Zelfs als het een silhouet zag dat het nog nooit had gezien, kon het de oplossing vinden door de regels van de bouwstenen te combineren.

Samenvatting in één zin

Dit paper laat zien dat we niet altijd enorme, energievretende computers nodig hebben om slim te zijn; als we leren hoe ons brein mentale kaarten maakt en gericht fantaseert om nieuwe routes te vinden, kunnen we slimme, energiezuinige apparaten bouwen die net zo flexibel zijn als wijzelf.

Het is een stap in de richting van AI die niet alleen "rekenen" kan, maar ook "dromen" om problemen op te lossen.

Technische samenvatting

Titel: Neurale bemonstering vanuit cognitieve kaarten maakt doelgerichte imaginatie en planning mogelijk

Auteurs: Hui Lin, Yukun Yang, Rong Zhao, Giovanni Pezzulo, Wolfgang Maass
Datum: 3 april 2026 (Preprint)

---

1. Het Probleem

Huidige kunstmatige intelligentie (AI) systemen worden steeds intelligenter, maar vaak tegen een enorm energiekost en met zware trainingsvereisten (zoals backpropagation en grote datasets). In tegenstelling hiermee kunnen biologische hersenen met slechts ongeveer 20 Watt energie online leren, zich direct aanpassen aan veranderende omstandigheden en oplossingen genereren voor problemen die nooit eerder zijn tegengekomen.

De kernvraag is: welke datastructuren, algoritmen en leermethoden stellen hersenen in staat dit te bereiken, en kunnen deze worden overgebracht naar kunstmatige apparaten? Specifiek richt deze studie zich op de capaciteit om te plannen en problemen op te lossen, inclusief nieuwe situaties die buiten eerdere ervaring vallen. Bestaande methoden zoals Reinforcement Learning (RL) vereisen vaak hertraining bij het veranderen van doelen en zijn rekenkundig duur.

2. Methodologie

De auteurs integreren drie fundamentele instrumenten die hersenen waarschijnlijk gebruiken voor planning in een nieuw, transparant neuronaal netwerkmodel:

1. Cognitieve kaarten: Datastructuren die geleerde ervaringen ordenen door relationele informatie tussen toestanden en acties te coderen.
2. Stochastisch computing (bemonstering): Het gebruik van ruis om een verscheidenheid aan mogelijke trajecten te genereren.
3. Compositional codering: Het vermogen om nieuwe toestanden te creëren door bekende componenten te combineren.

Het centrale model heet Generative Cognitive Map Learner (GCML). Dit is een uitbreiding van het eerdere Cognitive Map Learner (CML) model.

Kernarchitectuur en Leermechanismen:

• Voortgangsmodel (Forward Model): Het model leert embeddings ($Q$ en $V$) van observaties en acties in een gemeenschappelijke hoge-dimensionale ruimte. Dit gebeurt via zelftoezicht (self-supervised learning) met lokale synaptische plasticiteitsregels (Delta-regels), zonder backpropagation. Het doel is het voorspellen van de volgende toestand op basis van de huidige toestand en een actie.
• Omgekeerd model (Inverse Model): Een matrix $W$ wordt geleerd die toestandverschillen ($s^* - s_t$) afbeeldt op acties die deze verschillen verkleinen. Dit model fungeert als een "gevoel voor richting" naar een doel.
• Generatieve Bemonstering: Om imaginatie mogelijk te maken (plannen zonder directe feedback), vervangt het GCML model externe observaties door interne voorspellingen. Door ruis ($\epsilon$) toe te voegen aan de selectie van virtuele acties, wordt het deterministische CML omgezet in een probabilistisch generatief model. Dit stelt het systeem in staat om een "menu" van mogelijke trajecten te genereren in plaats van slechts één pad.
• Hardware-vriendelijkheid: Het model vereist alleen lokale synaptische plasticiteit en is geschikt voor implementatie op neuromorfe hardware (zoals memristor-kruisbalken) en in-memory computing, wat zeer energiezuinig is.

3. Belangrijkste Bijdragen

• GCML Model: Introductie van een generatief model dat doelgerichte stochastische bemonstering mogelijk maakt vanuit een cognitieve kaart.
• Algemene Probleemoplossing: Demonstratie dat cognitieve kaarten niet alleen werken voor ruimtelijke navigatie, maar ook voor abstracte conceptuele ruimtes en compositionele taken.
• Doelgerichte Ruis: Het tonen dat ruis in de actie-selectie niet alleen variatie creëert, maar essentieel is voor het genereren van diverse oplossingspaden en het overwinnen van lokale optima.
• Onafhankelijkheid van Deep Learning: Het bewijs dat complexe planning en generalisatie naar onbekende toestanden mogelijk zijn zonder diepe neurale netwerken of grote taalmodellen (LLMs), maar wel met eenvoudige, biologisch plausible regels.

4. Resultaten

De auteurs testen het model in drie zeer verschillende domeinen:

A. Ruimtelijke Navigatie (2D):

• Het model reproduceert biologische data van ratten (hippocampus) over het "imaginatie" van trajecten naar een doel (home).
• Het genereert een verscheidenheid aan trajecten die lijken op de "replay" sequenties in rattenhersenen, inclusief het omzeilen van nieuwe barrières zonder dat de kaart opnieuw moet worden geleerd (remapping).
• Het toont generalisatie: het kan trajecten genereren door delen van de ruimte die tijdens het trainen niet zijn bezocht.

B. Abstracte Conceptuele Ruimtes (Grafen):

• In een willekeurige graaf met 32 knopen lost het GCML het "k-kortste pad" probleem op.
• In plaats van één oplossing te vinden, genereert het een reeks heuristische oplossingen met verschillende lengtes.
• Bij het toekennen van beloningen aan knopen (bijv. vermijden van ongewenste knopen), kan het model door variatie in ruis de beste paden selecteren die de maximale totale beloning opleveren.

C. Compositionele Taken (Silhouet Decompositie):

• Dit is een NP-hard probleem: het bepalen of een silhouet kan worden opgebouwd uit een set bouwstenen (tiles).
• Het model leert op silhouetten van 5 bouwstenen en generaliseert vervolgens succesvol naar silhouetten van 8 bouwstenen die nooit tijdens het trainen zijn gezien.
• Het lost ook varianten op waarbij het doel niet een lege ruimte is, maar een specifiek deelsilhouet, of waarbij bouwstenen moeten worden toegevoegd in plaats van verwijderd.
• Vergelijking: Het GCML presteert aanzienlijk beter dan een random strategie, het oorspronkelijke CML-model, en concurrenten zoals Reinforcement Learning (D3QN) en Model Predictive Control (MPC), vooral bij een beperkt aantal samples (snelle besluitvorming).

5. Betekenis en Conclusie

Deze studie toont aan dat neurale bemonstering vanuit cognitieve kaarten een krachtige en veelzijdige heuristiek is voor het oplossen van computationeel uitdagende problemen.

• Energie-efficiëntie: Omdat het model lokaal leert en geen zware offline training of backpropagation vereist, is het ideaal voor "edge devices" en neuromorfe hardware.
• Flexibiliteit: Het systeem kan zich direct aanpassen aan nieuwe doelen of veranderende omstandigheden zonder hertraining.
• Biologische Plausibiliteit: Het biedt een mechanistische verklaring voor hoe de hersenen (specifiek de hippocampus) "fantasie" of "imaginatie" gebruiken voor planning, en voorspelt dat ruis in de neurale activiteit direct gekoppeld is aan de diversiteit van plannen.
• Toekomstperspectief: Het opent de weg voor AI-systemen die niet afhankelijk zijn van enorme datasets, maar die kunnen "dromen" en plannen in real-time met een minimaal energieverbruik, zelfs voor problemen die ze nooit eerder hebben gezien.

Kortom, het paper bewijst dat de kern van intelligentie – het vermogen om oplossingen te genereren voor onbekende problemen – niet noodzakelijk complexe deep learning vereist, maar gebaseerd kan zijn op eenvoudige, lokale leerregels en stochastische bemonstering binnen een cognitieve kaart.