An Efficient Computing Theory of Prefrontal Structured Working Memory Representations

Dit artikel presenteert een theorie van efficiënt rekenen die aantoont dat contextuele en compositionele coderingsvormen in de prefrontale cortex twee uitersten vormen van een spectrum van optimale representaties, waarbij de positie op dit spectrum wordt bepaald door de correlaties tussen elementen in een taak.

De kern

De "Efficiënte Rekenmachine" van je Brein: Waarom je Prefrontale Cortex zo slim werkt

Stel je je brein voor als een enorme, drukke bibliotheek. De efficiënte coderingstheorie (een bestaand idee in de neurowetenschap) zegt dat deze bibliotheek boeken zo ordent dat ze zo min mogelijk ruimte innemen, maar toch makkelijk terug te vinden zijn. Dit werkt perfect voor zintuigen: je ogen en oren moeten snel en zuinig informatie verwerken over de buitenwereld.

Maar wat gebeurt er in de prefrontale cortex? Dit is het kantoor van je brein, waar je plannen maakt, herinneringen vasthoudt en complexe taken uitvoert. Hier werkt het oude idee niet goed. Waarom? Omdat dit deel van het brein niet alleen informatie opslaat (zoals een archief), maar ook actief rekenwerk doet. Het moet plannen maken, stappen zetten en beslissingen nemen.

De auteurs van dit papier stellen een nieuw idee voor: Efficiënt Rekenen. In plaats van alleen te kijken naar hoe informatie wordt opgeslagen, kijken ze naar hoe het brein de rekenstappen het goedkoopst (in energie) uitvoert.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het Probleem: Twee verschillende manieren van werken

Wetenschappers hebben al lang twee verschillende manieren van werken gezien in de prefrontale cortex bij dieren die taken uitvoeren:

• De "Bouwkundige" (Compositional): Stel je voor dat je een LEGO-set bouwt. Je hebt losse blokken: een rood blokje, een blauw blokje, een geel blokje. Je kunt ze in elke volgorde stapelen. In de hersenen betekent dit: er zijn specifieke neuronen die alleen reageren op "rood", andere alleen op "blauw", ongeacht de volgorde. Dit is heel flexibel.
• De "Context-Gevoelige" (Contextual): Stel je nu voor dat je een specifieke route rijdt. Je kent de weg alleen als je precies die route volgt. Als je een andere route neemt, werkt je navigatie niet. In de hersenen betekent dit: er zijn neuronen die alleen branden als je de hele reeks "eerst links, dan rechts, dan rechtuit" doet. Ze kennen de context, niet alleen het losse stukje.

Tot nu toe dachten wetenschappers dat dit twee totaal verschillende systemen waren. Maar dit papier zegt: "Nee, het is één en hetzelfde systeem, alleen met een andere instelling!"

2. De Oplossing: De "Subruimte" Bandbreedte

De auteurs gebruiken een wiskundig model om te laten zien dat deze twee manieren van werken eigenlijk de uitersten zijn van één spectrum. Het hangt allemaal af van hoe voorspelbaar de wereld is.

Stel je een trein voor die door een tunnel rijdt. De trein is je hersenen, en de stations zijn de herinneringen die je moet onthouden.

• Scenario A: De onvoorspelbare wereld (Compositional Code)
  Stel, de trein kan op elk moment naar elk station gaan. Er is geen patroon. Station A kan gevolgd worden door B, C, D of Z.

  • Hoe werkt de trein? De machinist heeft voor elk station een eigen, aparte spoorbaan nodig. Als je naar station A gaat, gebruik je spoor 1. Ga je naar B, dan spoor 2.
  • In het brein: De neuronen zijn gespecialiseerd. Er is een "A-neuron", een "B-neuron". Ze werken onafhankelijk van elkaar. Dit is de compositional code. Het is efficiënt omdat je geen tijd hoeft te besteden aan het raden van de volgorde; je hebt gewoon een losse sleutel voor elke deur.

• Scenario B: De voorspelbare wereld (Contextual Code)
  Stel, de trein rijdt altijd op één vaste route: A -> B -> C -> A. Je weet dat als je bij A bent, je altijd naar B gaat.

  • Hoe werkt de trein? De machinist hoeft geen aparte sporen te hebben. Hij kan gewoon één spoor gebruiken. Als hij bij A is, weet hij automatisch dat de trein naar B gaat. Hij hoeft niet te kijken naar "welk station is dit?", maar "waar ben ik in de rit?".
  • In het brein: De neuronen worden contextueel. Een neuron brandt niet alleen omdat er een "B" is, maar omdat er een "B" is na een "A". De neuronen zijn verweven en hangen van elkaar af. Dit is de contextual code.

De grote ontdekking: De hersenen kiezen automatisch de meest energiezuinige manier. Als de wereld chaotisch is, maken ze losse sporen (compositional). Als de wereld voorspelbaar is, maken ze één lange, verweven route (contextual).

3. De "Vervoersband" vs. De "Poort"

De auteurs kijken ook naar hoe de informatie door het brein stroomt tijdens het onthouden van een reeks (bijvoorbeeld: "onthoud deze drie getallen").

Ze ontdekten dat het brein twee strategieën kan gebruiken, en dat ze kunnen voorspellen welke strategie een dier gebruikt op basis van de taak:

• De Vervoersband (Conveyor Belt): Stel je een fabriek voor waar dozen langs een lopende band gaan. De eerste doos gaat naar de eerste plek, de tweede naar de tweede plek, enzovoort. Als je moet terugkijken, schuiven ze allemaal een stukje op.
• De Poort (Gating): Stel je een parkeergarage voor. De eerste auto rijdt direct naar parkeerplek 1. De tweede auto rijdt direct naar parkeerplek 2. Ze hoeven niet te schuiven; ze parkeren direct op hun eindbestemming.

Het papier laat zien dat apen die bepaalde taken doen, eigenlijk een mix gebruiken: ze parkeren de informatie direct op de juiste plek (ingangspoort), maar als ze moeten antwoorden, laten ze de informatie langs een vervoersband schuiven naar het antwoord. Dit bespaart energie en tijd.

Waarom is dit belangrijk?

1. Het lost een mysterie op: Waarom zien sommige studies "losse" neuronen en andere "verweven" neuronen? Het antwoord is simpel: het hangt af van de statistieken van de taak. Als de proefpersonen vaak dezelfde reeks doen, worden de neuronen verweven. Als ze willekeurige reeksen doen, worden ze los.
2. Het is een voorspeller: Met dit model kunnen wetenschappers nu voorspellen hoe het brein zal reageren op nieuwe taken, alleen door te kijken naar hoe voorspelbaar die taken zijn.
3. Het verbindt theorie en praktijk: Het laat zien dat het brein niet willekeurig werkt, maar een optimale rekenmachine is die altijd de goedkoopste manier kiest om een probleem op te lossen.

Kortom: Je brein is niet statisch. Het past zijn interne "architectuur" continu aan aan de wereld om je heen. Is de wereld chaotisch? Dan bouwt het losse, flexibele blokken. Is de wereld voorspelbaar? Dan bouwt het één efficiënte, verweven route. Dit papier geeft ons de blauwdruk om te begrijpen waarom het brein eruitziet zoals het eruitziet.

Technische samenvatting

Probleemstelling

De efficiënte codering-hypothese (efficient coding hypothesis) is een zeer succesvol theoretisch raamwerk in de neurowetenschap dat verklaart hoe neurale codes in sensorische systemen (zoals het netvlies of V1) zijn geoptimaliseerd om natuurlijke prikkels met minimale energie te coderen. Echter, de toepassing van deze principes op cognitieve representaties, met name in de prefrontale cortex (PFC), is minder succesvol geweest.

De auteurs stellen dat dit falen voortkomt uit een fundamenteel verschil in doel: sensorische codes zijn geoptimaliseerd voor communicatie (transmissie van informatie via een knelpunt), terwijl cognitieve representaties de basis vormen voor berekeningen (verwerking en manipulatie van informatie). Bestaande theorieën focussen vaak op de geëncodeerde variabelen en negeren de berekeningen die neurale circuits moeten uitvoeren.

Specifiek voor de PFC bestaat er een puzzel: verschillende studies met bijna identieke taken (zoals het onthouden van een reeks stimuli) rapporteren twee schijnbaar tegenstrijdige coderingspatronen:

1. Compositional coding: Neuronen zijn afgestemd op individuele elementen van een reeks (onafhankelijk van de context).
2. Contextual coding: Neuronen zijn specifiek afgestemd op een volledige reeks of context (bijv. "begin van de pull-turn-push" reeks), waarbij dezelfde stimulus verschillende neuronale reacties oproept afhankelijk van de volgorde.

De vraag is hoe deze twee patronen kunnen worden verenigd en welke factoren bepalen welke strategie het brein kiest.

Methodologie: Een Theorie van Efficiënt Berekenen

De auteurs ontwikkelen een Efficiënt Berekenen-theorie (Efficient Computing Theory). In plaats van alleen te kijken naar de statistiek van de stimuli, modelleren ze neurale activiteit als de meest energie-efficiënte implementatie van een specifiek algoritme dat nodig is om een taak op te lossen.

Het Kader:

1. Gestructureerde Werkgeheugentaken: De auteurs definiëren een familie van taken waarbij een agent latentere toestanden (bijv. posities in een ruimte of elementen in een reeks) navigeert via acties en stimuli moet onthouden die aan deze toestanden gekoppeld zijn.
2. Optimalisatieprobleem: Ze zoeken de optimale neurale representatie $r(s, e)$ (een vector van vuursnelheden) die voldoet aan drie voorwaarden:
   • Functionele Beperking: De representatie moet de huidige stimulus kunnen decoderen (onthouden).
   • Berekeningsbeperking (Computing Constraint): De representatie moet dynamisch updaten volgens de regels van de omgeving (bijv. als de agent een stap zet, moet de interne representatie overeenkomstig verschuiven). Dit wordt gemodelleerd via affiene transformaties ($W_a$) die afhankelijk zijn van de uitgevoerde actie.
   • Biologische Beperking (Efficiëntie): De totale energie (som van de kwadratische vuursnelheden en de gewichtsmatrices) moet geminimaliseerd worden.

Analytische Aanpak:
De auteurs tonen wiskundig aan dat het oplossen van deze geconstrueerde optimalisatieproblemen leidt tot een representatie die bestaat uit een reeks neurale deelruimtes (subspaces). Elke deelruimte codeert voor een stimulus op een specifieke "afstand" (in stappen) van de huidige positie. De dynamiek van de taak zorgt ervoor dat deze deelruimtes met elkaar verbonden zijn en informatie erdoorheen "schuiven" (shuffling).

Belangrijkste Bijdragen en Resultaten

1. Een Spectrum van Contextuele en Compositional Codes

De kernvinding is dat "compositional" en "contextual" codes geen tegenpolen zijn, maar twee uitersten van een continuüm dat wordt bepaald door de statistiek en correlaties binnen de taak.

• Onafhankelijke Stimuli (Hoge Diversiteit): Als alle mogelijke reeksen even waarschijnlijk zijn (geen correlatie tussen elementen), minimaliseert het minimaliseren van energie de representatie tot orthogonale deelruimtes. Dit resulteert in compositional coding, waarbij neuronale activiteit lineair combineerbaar is en neuronale responsen specifiek zijn voor individuele elementen.
• Gecorreleerde Stimuli (Lage Diversiteit): Als de reeksen beperkt zijn of elementen sterk gecorreleerd zijn (bijv. als je het eerste element kent, weet je het tweede), minimaliseert energie de representatie tot uitgelijnde (aligned) deelruimtes. Dit manifesteert zich als contextual coding, waarbij neuronale responsen specifiek zijn voor de volledige reeks (splitter-cellen).

Dit verklaart discrepanties in de literatuur: experimenten met verschillende sampling-methoden (met of zonder teruglegging) leiden tot verschillende correlaties en dus tot verschillende neurale codes.

2. Subspace Grootte en "Conveyor Belt" Algoritmen

De theorie voorspelt ook de grootte van de neurale activiteit binnen elke deelruimte.

• De grootte hangt af van de afstand tot het moment van "readout" (wanneer de informatie moet worden opgehaald).
• De auteurs verklaren waargenomen patronen waarbij de activiteit afneemt naarmate de herinnering verder in de toekomst ligt (bijv. in taken van Xie et al.).
• Ze gebruiken deze voorspellingen om te infereren welk algoritme het brein gebruikt. Ze concluderen dat de data van Xie et al. en Chen et al. consistent is met een "conveyor belt"-algoritme voor de output (informatie stroomt door deelruimtes naar de readout), in tegenstelling tot een "gating"-mechanisme waarbij informatie direct naar een specifieke deelruimte wordt gestuurd en daar blijft. Dit onderscheid is cruciaal omdat het de grootte van de deelruimtes beïnvloedt.

3. Unificatie van Bestaande Data

De theorie slaagt erin om subtiele verschillen in experimentele opzet (zoals het aantal mogelijke reeksen of de sampling-methode) te koppelen aan specifieke neurale verschijnselen in bestaande datasets (o.a. van Panichello & Buschman, Xie et al., Shima & Tanji, en El-Gaby et al.). Ze tonen aan dat wat eerder als tegenstrijdig werd gezien, in feite een voorspelbaar gevolg is van de taakstatistiek.

Significantie

1. Normatieve Theorie voor Cognitie: Het artikel breidt het succes van de efficiënte codering uit van sensorische systemen naar hogere cognitieve functies. Het introduceert een "efficiënt berekenen"-paradigma dat rekening houdt met de dynamische aard van neurale verwerking.
2. Verklaring van Neurale Diversiteit: Het biedt een unificerend raamwerk voor de schijnbare inconsistenties in de prefrontale cortex-literatuur, waarbij het aantoont dat het brein flexibele strategieën kiest die geoptimaliseerd zijn voor de specifieke statistische structuur van de omgeving.
3. Inferentie van Algoritmes: De methologie stelt onderzoekers in staat om niet alleen te kijken naar wat er wordt gecodeerd, maar ook om het onderliggende algoritme (bijv. conveyor belt vs. gating) te infereren uit neurale data, zelfs wanneer de directe dynamiek te snel is om waar te nemen.
4. Toepasbaarheid: Het raamwerk is niet beperkt tot werkgeheugen; de auteurs suggereren dat het nuttig kan zijn voor het begrijpen van andere subspace-berekeningen in de motorische cortex en andere gebieden waar neurale dynamiek wordt gebruikt voor flexibele gedragsstrategieën.

Kortom, de auteurs demonstreren dat door te kijken naar de optimalisatie van de berekening (in plaats van alleen de representatie), we een dieper inzicht krijgen in hoe de prefrontale cortex complexe, gestructureerde taken efficiënt uitvoert.