Evidence for predictive computations in a brain hierarchy during a visual search task

Deze studie toont aan dat LFP-data van een visuele zoektaak een hybride model ondersteunen waarbij hiërarchische berichtenoverdracht volgens Predictive Coding de diepe lagen verklaart, terwijl voorspellende onderdrukkingsmechanismen overeenkomstig predictive routing de dynamiek van de oppervlakkige lagen verklaren.

De kern

Hoe je brein de wereld "voorspelt": Een simpele uitleg van een complex hersenonderzoek

Stel je je brein voor als een super slimme chef-kok in een drukke keuken. De wereld stopt continu met ingrediënten (zintuiglijke prikkels) in de keuken. Als de chef elke keer alles opnieuw zou moeten koken, zou de keuken overstromen en zou er nooit tijd zijn om te eten.

In plaats daarvan heeft de chef een recept (een voorspelling) in zijn hoofd. Hij denkt: "Ik ga nu een tomatensoep maken." Hij verwacht tomaten, uien en kruiden.

Dit onderzoek van Dimitris Pinotsis en zijn collega's gaat over hoe dit recept in je hersenen werkt. Ze wilden weten: Hoe filtert je brein de informatie? Gebruikt het brein een "fouten-correctie" systeem, of werkt het op een andere manier?

De drie theorieën (De drie manieren om te koken)

De wetenschappers keken naar drie verschillende manieren waarop je brein zou kunnen werken:

1. De "Fouten-Checker" (Predictive Coding):

   • Het idee: De chef kijkt constant naar de ingrediënten die binnenkomen. Als er een aardappel in de soep valt terwijl hij tomaten verwacht, roept hij: "Fout! Dit is niet wat ik verwachtte!" Hij stuurt dit signaal van "fout" door naar de volgende chef in de keten.
   • Hoe het werkt: Het brein berekent continu het verschil tussen wat het verwacht en wat het ziet. Alleen het nieuws (de aardappel) wordt doorgegeven; het verwachte (de tomaten) wordt genegeerd.

2. De "Router" (Predictive Routing):

   • Het idee: De chef heeft geen tijd om fouten te berekenen. Hij heeft een systeem waarbij hij bepaalde ingrediënten gewoon dichtsluit. Als hij tomaten verwacht, blokkeert hij de deur voor tomaten. Als er dan toch een aardappel binnenkomt, kan die niet worden geblokkeerd en schiet hij er gewoon doorheen.
   • Hoe het werkt: Er wordt geen "fout" berekend. De verwachte dingen worden simpelweg onderdrukt (stilgelegd) door diepere lagen van de hersenen. Alles wat niet wordt onderdrukt, mag door.

3. De "Auto-Encoder" (Autoencoders):

   • Het idee: Dit is een heel simpele lijn. De ingrediënten gaan in, worden samengeperst tot een klein pakketje, en gaan weer naar boven. Er is geen terugkoppeling, geen recept, gewoon een rechte lijn van beneden naar boven.
   • Hoe het werkt: Het brein probeert alleen de informatie zo efficiënt mogelijk door te sturen zonder terugkoppeling.

Het Experiment: De Visuele Zoektocht

De onderzoekers keken niet alleen naar theorie, maar keken in de hersenen van apen die een taak deden: een visuele zoektocht.

• De apen moesten op een scherm zoeken naar een specifiek object (bijvoorbeeld een blauwe auto) tussen andere objecten.
• Ze keken naar de elektrische activiteit in drie hersengebieden die als een trapje boven elkaar liggen:
  • V4: De onderste laag (kijkt naar de details).
  • 7A: De middenlaag (verwerkt de informatie).
  • PFC: De bovenste laag (de "chef" die het plan maakt).

Ze gebruikten speciale elektroden die door de lagen van de hersenen gaan, zodat ze konden zien wat er in de diepe lagen (onderin) en de oppervlakkige lagen (bovenin) gebeurde.

Wat vonden ze? (De verrassende mix)

Het onderzoek toonde aan dat het brein niet één van deze drie systemen gebruikt, maar een slimme mix:

1. In de diepe lagen (de "Chef"): Hier werkt het brein volgens de Fouten-Checker (Predictive Coding).

   • De analogie: De diepe lagen van de hersenen houden het recept bij. Ze sturen verwachtingen naar beneden en vergelijken die met wat er van onderen komt. Ze bouwen een compleet beeld van de wereld door informatie van boven en onder te combineren. Hier is het "recept" en de "voorspelling" echt nodig.

2. In de oppervlakkige lagen (de "Dienstknecht"): Hier werkt het brein volgens de Router (Predictive Routing).

   • De analogie: De oppervlakkige lagen hoeven geen ingewikkelde fouten te berekenen. Ze doen het simpelweg: de diepe lagen zeggen "Dit is normaal, houd het stil." Als er iets onverwachts gebeurt (een fout), wordt het niet onderdrukt en schiet het erdoorheen. Het is alsof de diepe lagen een "stille knop" hebben voor alles wat ze al weten. Alles wat niet stil is, is nieuw en interessant.

Waarom is dit belangrijk?

Vroeger dachten wetenschappers dat het hele brein op één manier werkte (allemaal fouten berekenen). Dit onderzoek laat zien dat het brein slimmer en efficiënter is:

• Het gebruikt de zware, ingewikkelde "voorspelling en foutberekening" alleen waar het nodig is (in de diepe lagen om een goed beeld te vormen).
• In de oppervlakkige lagen, waar de snelle reacties moeten gebeuren, gebruikt het een simpelere truc: "Druk alles wat we al weten stil, en laat alleen het nieuws door."

Conclusie in één zin:
Je brein is als een slimme chef die in de keuken (diepe lagen) een complex recept volgt om te weten wat er moet gebeuren, maar in de serveerlijn (oppervlakkige lagen) gewoon alle bekende gerechten blokkeert zodat alleen het nieuwe, verrassende eten op het bord terechtkomt.

Dit helpt ons niet alleen begrijpen hoe wij zien en leren, maar kan ook helpen bij het bouwen van slimme computers en AI die net zo efficiënt werken als onze hersenen.

Technische samenvatting

Probleemstelling

De cortex fungeert fundamenteel als een voorspellend systeem dat zintuiglijke input comprimeert tot laag-dimensionale representaties om interne modellen van de omgeving te genereren. Hoewel er meerdere, onderling compatibele computationele kaders zijn voorgesteld om te verklaren hoe dit werkt – zoals Predictive Coding (PC), Predictive Routing (PR) en Autoencoders (AE) – blijft een grote uitdaging het empirisch ontrafelen van hun relatieve bijdrage.

• Predictive Coding stelt dat het cortex-circuit foutsignalen (verschil tussen verwachting en input) berekent en deze gebruikt om top-down signalen te moduleren.
• Predictive Routing suggereert dat foutsignalen niet expliciet worden berekend; in plaats daarvan onderdrukken voorspellingssignalen (via feedback) de representaties van verwachte input, zodat alleen onverwachte signalen doorsturen.
• Autoencoders stellen dat staten (representaties) enkel feedforward worden doorgegeven zonder feedback-propagatie.

Het huidige probleem is het onderscheiden welke van deze algoritmen daadwerkelijk door de hersenen wordt gebruikt tijdens cognitieve taken, gebaseerd op neurale dynamiek.

Methodologie

De auteurs hebben een nieuwe benadering ontwikkeld om deze modellen direct te vergelijken door ze te vertalen naar een gemeenschappelijke wiskundige formalisatie: een General Linear Model (GLM) dat is afgeleid van Deep Neural Field-theorie.

1. Data: Gebruik van laag-resolutie LFP-data (Local Field Potentials) van laminaire elektroden in drie hersengebieden bij rhesusapen: V4, 7A en PFC, tijdens een visuele zoektaak.
2. Modelvorming:
   • De auteurs hebben de drie algoritmen (PC, PR, AE) herschreven als varianten van een Deep Neural Field.
   • Ze hebben effectieve connectiviteit (de causale invloed van activiteit in het ene gebied op het andere) "geleerd" uit de LFP-data met behulp van een Restricted Maximum Likelihood (ReML) algoritme.
   • Predictive Coding: Modellering van bidirectionele stroming van staten (diepe lagen, bèta) en fouten (superficiële lagen, gamma) met expliciete foutberekening en precisie-gewichting.
   • Autoencoders: Unidirectionele (feedforward) stroming van staten zonder feedback.
   • Predictive Routing: Superficiële activiteit die wordt onderdrukt door diepe lagen (predictieve onderdrukking) zonder expliciete foutberekening.
3. Modelvergelijking:
   • Na het trainen van de modellen om de connectiviteit te schatten, hebben de auteurs de voorspelde neurale activiteit vergeleken met de daadwerkelijke LFP-data.
   • Ze gebruikten Bayesian Model Comparison (BMC) en de Free Energy-benadering om de bewijskracht (model evidence) van elk algoritme te kwantificeren. Free Energy straalt complexiteit af, waardoor het een eerlijke vergelijking mogelijk maakt tussen modellen met hetzelfde aantal parameters.
   • De vergelijking vond plaats in het middelste gebied (7A), waar top-down (van PFC) en bottom-up (van V4) signalen samenkomen.

Belangrijkste Bijdragen

• Unificatie van theorieën: De auteurs hebben drie concurrerende hersenalgoritmen vertaald naar een vergelijkbare wiskundige structuur (GLM/Deep Neural Field), wat een directe vergelijking mogelijk maakt.
• Laminaire specificiteit: Het onderzoek benadrukt het belang van gescheiden analyse van diepe (infragranulaire) en oppervlakkige (supragranulaire) lagen, aangezien deze verschillende rollen spelen in de verschillende theorieën.
• Hybride model: Het paper biedt empirisch bewijs voor een hybride account van hersencomputatie, waarbij verschillende mechanismen in verschillende lagen van de cortex heersen.

Resultaten

De analyse leverde de volgende bevindingen op:

1. Diepe lagen (State Representations):

   • Bij vergelijking van Predictive Coding versus Autoencoders in de diepe lagen van gebied 7A, had het Predictive Coding-model een significant hogere bewijskracht (Bayes Factor > 150).
   • Dit suggereert dat de vorming van staterepresentaties in diepe lagen afhankelijk is van hiërarchische berichtuitwisseling (zowel top-down als bottom-up), zoals PC voorspelt, en niet enkel van feedforward stroming zoals AE.

2. Oppervlakkige lagen (Error/Feedforward Dynamics):

   • Bij vergelijking van Predictive Coding versus Predictive Routing in de oppervlakkige lagen van gebied 7A, had het Predictive Routing-model een sterkere bewijskracht (Bayes Factor > 980).
   • Dit suggereert dat er in de oppervlakkige lagen geen expliciete foutberekening plaatsvindt. In plaats daarvan wordt de feedforward activatie verklaard door voorspellende onderdrukking vanuit de diepe lagen (predictive suppression).

3. Connectiviteitspatronen:

   • De geleerde connectiviteitskernen toonden consistente patronen: inhiberende recurrente connectiviteit in diepe lagen (laag 6 naar 4) en excitatoire drives in de inputlagen, wat overeenkomt met bekende neurofysiologische circuitmotieven.

Significantie

De studie biedt een cruciale stap in het begrijpen van hoe de hersenen informatie verwerken:

• Combinatie van Mechanismen: Het resultaat ondersteunt een hybride visie waarbij Predictive Coding noodzakelijk is om te verklaren hoe diepe lagen interne modellen opbouwen via hiërarchische berichtuitwisseling, terwijl Predictive Routing een efficiëntere verklaring biedt voor de dynamiek in oppervlakkige lagen zonder de noodzaak van expliciete, kostbare foutberekeningen.
• Computation door Dynamiek: Het onderzoek illustreert het concept van "computation through dynamics", waarbij de neurale dynamiek zelf de implementatie van het algoritme vormt.
• Toekomstige Implicaties: Deze inzichten kunnen bijdragen aan het ontwikkelen van betere AI-systemen (zoals transformers en aanbevelingssystemen) die meer lijken op de biologische efficiëntie van de hersenen, en helpen bij het ontrafelen van de neurale basis van aandacht en perceptie.

Kortom, de hersenen lijken geen enkelvoudig algoritme te gebruiken, maar combineren voorspellende codering voor het opbouwen van wereldmodellen (diepe lagen) met voorspellende routing voor het filteren van input (oppervlakkige lagen).