🧠 neuroscience

Predictive learning with local plasticity in excitatory-inhibitory networks

Dit artikel demonstreert dat recurrente excitatieve-inhibitieve netwerken met puur lokale plasticiteit, in het bijzonder BCM-achtige regels, voorspellende inferentie kunnen bereiken en ijle spatiotemporele kenmerken kunnen leren door gewichten op een consistentiemanifold te behouden, waardoor voorspellende codering wordt gekoppeld aan biologisch plausibele circuitmechanismen zonder dat expliciete foutrepresentaties vereist zijn.

Oorspronkelijke auteurs: Reis Aguiar, H., Hennig, M. H.

Gepubliceerd 2026-09-04

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Reis Aguiar, H., Hennig, M. H.

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Het menselijk brein is een uitgestrekt netwerk van miljarden neuronen die constant vuren en verbindingen maken om de wereld te begrijpen. In het hart van deze activiteit liggen twee tegenovergestelde krachten: exciterende signalen die neuronen stimuleren om te vuren, en inhiberende signalen die ze kalmeren. Decennialang hebben wetenschappers zich afgevraagd hoe deze eenvoudige lokale interacties het brein in staat stellen om iets zo complexs te doen als voorspellen wat er vervolgens zal gebeuren. Eén leidende idee, genaamd predictive coding (voorspellende codering), suggereert dat het brein altijd de oorzaken van zijn sensorische input probeert te raden en alleen aandacht besteedt aan de verrassingen. Echter, een groot raadsel is gebleven: hoe kan een biologisch netwerk, dat zijn verbindingen alleen kan aanpassen op basis van de directe activiteit van nabijgelegen cellen, dit geavanceerde gokspel spelen zonder een centrale computer om fouten te berekenen?

Een nieuwe studie van de Universiteit van Edinburgh biedt een overtuigend antwoord door te laten zien hoe een specifiek type neuraal circuit kan leren de toekomst te voorspellen met behulp van alleen lokale regels. De onderzoekers bouwden een computermodel van een netwerk waarin exciterende neuronen signalen voorwaarts sturen, terwijl inhiberende neuronen feedback geven om het systeem in toom te houden. Ze ontdekten dat voor dit netwerk om effectief te kunnen leren, de verbindingen tussen neuronen in een zeer specifieke balans moeten blijven. Als de exciterende verbindingen te ver afwijken van deze balans, faalt het netwerk in het leren van de ware patronen in de data. Het team ontdekte dat een specifieke leerregel, die vergelijkbaar is met een regel die wordt waargenomen in echte dierlijke hersenen, het netwerk van nature in dit ideale evenwicht houdt. Deze regel stelt het netwerk in staat om te leren van statische beelden, zoals randen en vormen, en ook van bewegende video's, waarbij het de richting van beweging kan anticiperen en zelfs ontbrekende delen van een sequentie kan invullen wanneer de input wegvalt.

De onderzoekers begonnen hun model te testen op eenvoudige, statische afbeeldingen, zoals gekruiste balken of fragmenten uit natuurlijke foto's. Ze wilden zien of het netwerk deze complexe afbeeldingen kon afbreken tot hun basisbouwstenen, zoals lijnen of randen, zonder dat hen werd verteld waar ze naar moesten kijken. Ze vergeleken verschillende manieren waarop het netwerk zijn verbindingen kon aanpassen. Sommige methoden, die vertrouwden op eenvoudige samenloop tussen neuronen, zorgden ervoor dat het netwerk uit de optimale balans dreigde te raken, wat leidde tot slordig en onnauwkeurig leren. Echter, wanneer ze een regel gebruikten die verbindingen aanpast op basis van hoe goed de huidige activiteit overeenkomt met een voorspelling, bleef het netwerk perfect in balans. Deze specifieke regel, die de auteurs de "predictive rule" noemen, zorgde ervoor dat de inhiberende feedback altijd overeenkwam met wat nodig was om de ruis in de input te elimineren. Als gevolg hiervan leerde het netwerk de afbeeldingen te representeren met een ijle set kenmerken (sparse set of features), wat betekent dat slechts een paar neuronen tegelijk vuurden om de afbeelding te beschrijven, vergelijkbaar met hoe de visuele cortex van zoogdieren werkt.

De studie ging verder door een laag van tijd aan het model toe te voegen. Het echte leven is niet alleen een reeks stilstaande beelden; het is een continue stroom van gebeurtenissen. Om dit na te bootsen, voegden de onderzoekers een mechanisme toe waarbij de huidige staat van het netwerk zijn toekomstige staat kon beïnvloeden, wat een vorm van geheugen creëerde. Toen ze dit bijgewerkte netwerk trainden op video's van bewegende balken, leerde het niet alleen de vorm van het object te detecteren, maar ook de richting waarin het reisde. Bemerkelijk genoeg ontwikkelde het netwerk het vermogen om sequenties te voltooien. Als de video van een bewegende balk plotseling zwart werd gemaakt, bleef het netwerk de balk in dezelfde richting "zien" bewegen, waardoor de leemte werd opgevuld op basis van wat het had geleerd. Dit suggereert dat het netwerk de regels van beweging heeft geïnternaliseerd en deze in zijn eigen geest vooruit kan draaien, een vermogen dat cruciaal is voor het navigeren door de wereld.

Om het model nog realistischer te maken, verwijderde het team de kunstmatige pauzes tussen de leerstappen en liet het netwerk leren van een continue stroom van data, precies zoals een levend brein dat doet. In deze continue versie ontwikkelde het netwerk vloeiende, gebogen patronen van activiteit in plaats van scherpe, rigide schakelingen. Wanneer de onderzoekers dit netwerk na het voltooien van het leren stimuleerden met willekeurige ruis, speelde het netwerk spontaan de sequenties af die het eerder had gezien. Het doorliep de gebruikelijke patronen van activiteit, alsof het een gebeurtenis uit het verleden herinnerde. Deze patronen vormden een ringachtige structuur in de activiteitsruimte van het netwerk, een vorm die het systeem in staat stelt om een enkele waarde, zoals een richting, zeer precies te representeren. Dit gedrag weerspiegelt wat er gebeurt in de hippocampus van het brein, waar dieren hun paden herafspelen tijdens rust, wat suggereert dat dezelfde lokale leerregels zowel voorspelling als geheugen kunnen onderliggen.

De bevindingen dagen het langgekoesterde standpunt uit dat het brein speciale "foutneuronen" nodig heeft om het verschil te berekenen tussen wat het verwacht en wat het ziet. In plaats daarvan suggereert de studie dat het brein simpelweg de discrepantie tussen zijn eigen interne voorspellingen en de binnenkomende signalen kan gebruiken om zijn verbindingen direct aan te passen. De onderzoekers toonden aan dat door de exciterende en inhiberende delen van het circuit in een nauwe, consistente relatie te houden, het netwerk complexe inferentie kan uitvoeren zonder een apart foutsignaal nodig te hebben. Dit impliceert dat de plasticiteit, of het vermogen om te veranderen, van de exciterende verbindingen de sleutel is tot voorspelling. De studie biedt een sterke theoretische link tussen de lokale, biologische leerregels en het globale, intelligente gedrag van voorspelling, wat suggereert dat het vermogen van het brein om de toekomst te anticiperen een natuurlijk gevolg is van hoe zijn circuits in balans blijven.

Technische Samenvatting: Predictief Leren met Lokale Plasticiteit in Excitatoire-Inhibitoire Netwerken

Probleemstelling

Predictieve codering biedt een normatief kader voor het begrijpen van corticale computatie, waarbij wordt gesteld dat neurale circuits latente oorzaken van sensorische inputs afleiden door data te verzoenen met een intern generatief model. Echter, er blijft een aanzienlijke kloof bestaan in het verklaren van hoe biologisch plausibele netwerken, specifiek recurrente excitatoire-inhibitoire (E-I) circuits met lokale plasticiteit, predictieve inferentie en representatie-leren kunnen ondersteunen. Klassieke implementaties van predictieve codering vertrouwen vaak op niet-biologische mechanismen, zoals symmetrische feedbackgewichten, expliciete foutneuronen of niet-lokale updates. Hoewel eerder werk heeft aangetoond dat Hebbiaanse/anti-Hebbiaanse netwerken gefactoriseerde representaties kunnen leren, ontbrak een exacte analytische link tussen deze plausibele lokale mechanismen en de principes van de predictieve coderingstheorie. Dit werk adresseert de vraag of E-I netwerken met zuiver lokale plasticiteit in staat zijn tot predictieve inferentie zonder expliciete foutrepresentaties.

Methodologie

De auteurs stellen een recurrent E-I circuit voor waarbij leren wordt gedreven door lokale plasticiteitsregels afgeleid van een predictieve codering-doelstelling.

Theoretisch Kader

Het model gaat ervan uit dat sensorische data $x$ wordt gegenereerd vanuit latente oorzaken $y$ via een lineair generatief model $x = Dy + \epsilon$ met een gefactoriseerde prior $p(y)$ . Het leerdoel is het minimaliseren van de gezamenlijke energiefunctie (negatieve log-likelihood):
$E(y, x; D) = \frac{1}{2}\|x - Dy\|^2_2 + \phi(y)$
waarbij $\phi(y)$ de prior-energie vertegenwoordigt.

De auteurs introduceren een Hebbiaanse/anti-Hebbiaanse netwerkarchitectuur met:

Feed-forward excitatoire gewichten ( $W$ ): Benaderen $D^\top$ .
Recurrente inhibitoire gewichten ( $M$ ): Benaderen het tweede moment van de latente code $E[yy^\top]$ .

De Consistentie-manifold

Een centrale theoretische bijdrage is de identificatie van een consistentie-manifold. Voor de netwerkdynamica om equivalent te zijn aan de predictieve codering-doelstelling, moet de recurrente inhibitie overeenkomen met de inhibitie die vereist is door de doelstelling. Dit vereist de conditie $M \approx WW^\top$ .
De auteurs leiden af dat voor het netwerk om optimaal te leren, de gewichten op een manifold moeten blijven waar de feed-forward gewichten de recurrente inhibitie voorspellen ( $Wx = y$ ). Als deze conditie wordt geschonden, wordt de latente code geïnduceerd onder een verstoord energielandschap, wat leidt tot suboptimale leerprocessen.

Plasticiteitsregels

Het artikel vergelijkt verschillende lokale plasticiteitsregels voor de excitatoire gewichten $W$ :

Predictieve Regel: Afgeleid om de consistentieconditie exact te handhaven onder een Gaussische prior. De update is evenredig aan de consistentiefout $e = y - Wx$ :
$W \leftarrow W + \eta(y - Wx)x^\top$
Deze regel verdwijnt wanneer de consistentie-eis is voldaan, waardoor de gewichten op de manifold blijven.
Hebbiaanse Regel (met gewichtsverval): $W \leftarrow W + \eta(yx^\top - W)$ . De auteurs tonen aan dat deze regel de gewichten van de consistentie-manifold wegduwt omdat de correctieterm een component $W(xx^\top - I)$ bevat die niet nul is voor enkelvoudige samples.
BCM-achtige Regel: Een Bienenstock-Cooper-Munro regel met een activiteitsafhankelijke drempelwaarde.
Oja en Földiák Regels: Standaardalternatieven voor normalisatie en decorrelatie.

Experimentele Opstelling

De auteurs hebben deze regels getest op:

Lineaire Gaussische Casus: Niet-ge-whitened 2D Gaussische data en crossed-bars datasets om whitening en consistentie te verifiëren.
Niet-Gaussische Casus: Sparse coding taken met crossed-bars, MNIST en ImageNet patches met exponentiële priors (vereist rectificatie).
Temporele Dynamica: Introductie van vertraagde recurrente excitatie ( $P$ ) om sequentiële data te modelleren (bewegende balken, bewegende MNIST, CATCAM natuurlijke video).
Continu Model: Een tijd-continu E-I netwerk met gescheiden excitatoire en inhibitoire populaties, gebruikmakend van asynchrone updates en Dale's principe, met een BCM-achtige regel.

Belangrijkste Resultaten

1. Analytische Link en de Predictieve Regel

De auteurs stellen vast dat leren in E-I circuits vereist dat gewichten op de consistentie-manifold blijven. De predictieve regel is analytisch bewezen deze conditie exact te handhaven voor Gaussische priors. In tegenstelling hiertoe duwt de klassieke Hebbiaanse regel, hoewel optimaal voor het aanpassen van inhibitoire gewichten, de excitatoire gewichten weg van de manifold, wat leidt tot drift en suboptimale oplossingen.

2. Leren onder Niet-Gaussische Priors

Onder niet-Gaussische (sparse) priors kan de consistentieconditie niet exact worden voldaan vanwege niet-lineariteit en gewichtsbeperkingen. Echter, empirische resultaten tonen aan:

De predictieve regel en de BCM-achtige regel houden de gewichten voldoende dicht bij de consistentie-manifold om optimale, gefactoriseerde sparse features (bijv. randdetectoren) te leren.
Deze regels resulteren in lagere reconstructiefouten en een betere decorrelatie van latente codes vergeleken met Hebbiaanse, Oja of Földiák regels.
De BCM-regel, die afhankelijk is van het verschil tussen de post-synaptische activiteit en een verschuivende drempelwaarde, benadert het gedrag van de predictieve regel effectief.

3. Spatiotemporeel Leren en Sequentie-completie

Door recessieve excitatie ( $P$ ) toe te voegen om temporele afhankelijkheden te modelleren:

Leren de netwerken spatiotemporele factoren, waarbij ze richtingsselectiviteit ontwikkelen van natuurlijke video (CATCAM).
De netwerken verwerven het vermogen om gedeeltelijk geobserveerde sequenties te voltooien. Wanneer inputs worden geblokkeerd, zetten de recurrente dynamieken de geleerde bewegingspatronen voort.
Zowel predictieve als BCM-regels presteren beter dan standaard Hebbiaanse regels in sequentie-completie taken en richtingselectiviteit-indices.

4. Continue Dynamica en Attractor-structuren

In het continue, tijd-continue model met asynchrone updates:

Ontwikkelt het netwerk laagdimensionale attractor-achtige structuren.
Het stimuleren van het getrainde netwerk met ruis induceert de replay van geleerde spatiotemporele sequenties.
Activiteitstrajecten vormen ringvormige structuren in laagdimensionale ruimte, consistent met waargenomen neurale populatiedynamica (bijv. in de hippocampus en visuele cortex).
Het model ontwikkelt vloeiende tuning curves in plaats van discrete factor-detectoren, wat lijkt op biologische neurale responsen.

Betekenis en Claims

Het artikel claimt de kloof te overbruggen tussen normatieve predictieve coderingstheorieën en biologisch plausibele lokale circuitmechanismen. De belangrijkste bijdragen zijn:

Geen Expliciete Foutrepresentatie: Het werk demonstreert dat predictieve inferentie geen expliciete "foutneuronen" of symmetrische feedback vereist. In plaats daarvan worden predictiefouten geabsorbeerd in de lokale synaptische update-regel als de discrepantie tussen de recurrente geïnduceerde activiteit en de feed-forward voorspellingen.
Normatieve Rol voor BCM: De resultaten suggereren een normatieve rol voor BCM-achtige plasticiteit in excitatoire synapsen, waarbij wordt aangetoond dat het effectief de optimale predictieve regel benadert die nodig is om de consistentie-manifold te handhaven.
Lokale Circuit Optimalisatie: Het biedt een mechanisme waarmee lokale plasticiteitsregels E-I circuits kunnen zelforganiseren om probabilistische inferentie en representatie-leren uit te voeren, waarbij synaptische dynamica direct wordt gekoppeld aan de optimalisatie van een generatief model.
Experimentele Voorspellingen: De auteurs stellen voor dat excitatoire plasticiteit afhankelijk moet zijn van de mismatch tussen de recurrente geïndeerde activiteit en de feed-forward voorspelde activiteit. Ze suggereren dat het manipuleren van recurrente inhibitie de magnitude of het teken van excitatoire plasticiteit en de sparseness van geleerde representaties kan veranderen, wat testbare hypothesen biedt voor sensorische systemen.

De auteurs blijven bescheiden over beperkingen en merken op dat de punt-schatting benadering (MAP) moeite kan hebben met ambigue inputs en dat exacte equivalentie aan de predictieve codering-energie een geïdealiseerde conditie vereist (ge-whitened inputs, gecentreerde data) die in niet-Gaussische of continue settings slechts benaderend wordt voldaan. Desalniettemin bieden de bevindingen een verenigd beeld van hoe lokale plasticiteit corticale computatie ondersteunt.