Predictive perception via simultaneous learning and inference

Mensen navigeren door een wereld die zelden helder is. We horen gesprekken in drukke kamers, herkennen gezichten in verschuivende schaduwen en begrijpen muziek, zelfs wanneer het signaal zwak is. Om dit te doen, registreren onze hersenen niet simpelweg wat onze zintuigen bereikt; ze raden actief wat daar buiten is, waarbij ze de ruisachtige gegevens die we ontvangen combineren met wat we al verwachten te vinden. Dit idee, vaak de Bayesiaanse brein-hypothese genoemd, suggereert dat perceptie een vorm is van constant raden en controleren. Echter, een groot raadsel is gebleven: hoe voeren onze hersenen deze complexe berekeningen in realtime uit? De natuurlijke wereld is uitgestrekt en continu, en het berekenen van de exacte waarschijnlijkheid van elke mogelijke staat in een dergelijke ruimte is wiskundig onmogelijk voor elke machine, laat staan voor een biologische. Decennialang hebben wetenschappers geprobeerd dit op te lossen door aan te nemen dat de hersenen het probleem op specifieke manieren vereenvoudigen, ofwel door hun gissingen in nette, eenvoudige vormen te dwingen, ofwel door duizenden willekeurige steekproeven te nemen om de oplossing te benaderen.

Een nieuwe studie stelt een ander pad voor, een dat de noodzaak voor deze complexe afkortingen omzeilt. In plaats van de gissingen van de hersenen te vereenvoudigen, suggereren de onderzoekers dat de hersenen misschien de wereld die ze proberen te raden, vereenvoudigen. Ze beargumenteren dat perceptie vaak werkt door continue input te categoriseren in duidelijke, afzonderlijke staten, vergelijkbaar met hoe wij een melodie horen als een reeks specifieke noten in plaats van een glijdende toonladder van frequenties. Door de omgeving te behandelen als een reeks discrete stappen in plaats van een vloeiende, eindeloze stroom, kunnen de hersenen exacte, perfecte berekeningen uitvoeren zonder dat er een benadering nodig is. De onderzoekers bouwden een computermodel om dit idee te testen, en lieten zien dat een systeem dat de regels leert van hoe deze staten veranderen, terwijl het tegelijkertijd uitzoekt in welke staat het zich bevindt, menselijk gedrag in ruisachtige situaties kan repliceren. Deze benadering suggereert dat de hersenen geen meester van complexe statistiek hoeven te zijn om een meester van perceptie te zijn; ze hoeven alleen maar de regels van het spel te kennen en deze bij te werken terwijl ze het spelen.

De onderzoekers, onder leiding van Mahdi Enan en collega's aan de Maastricht University, ontwikkelden een model dat ze SLIM noemen, wat staat voor Simultaneous Learning and Inference Model (Simultaan Leer- en Inferentiemodel). De kern van hun idee is een verschuiving in waar de complexiteit ligt. In eerdere theorieën werd gedacht dat de hersenen worstelden met de enorme hoeveelheid mogelijkheden in de wereld, waardoor ze hun eigen overtuigingen moesten beperken om de wiskunde werkbaar te maken. SLIM draait dit om. Het gaat ervan uit dat de wereld bestaat uit een eindig aantal staten, wat de wiskunde van het bepalen van de huidige staat perfect oplosbaar maakt. De uitdaging wordt dan het leren hoe de wereld van de ene staat naar de volgende beweegt. Het model doet dit door een eenvoudige, lokale regel te gebruiken om de interne kaart van deze overgangen bij te werken telkens wanneer het een gok doet. Het leert van zijn eigen inferenties, niet alleen van ruwe zintuiglijke data, waardoor het kan adapteren wanneer de regels van de omgeving veranderen.

Om te zien of deze theorie standhield, lieten het team een reeks computersimulaties draaien. Ze creëerden virtuele omgevingen waarin de regels van beweging ofwel vast en voorspelbaar waren, ofwel willekeurig en veranderlijk. Vervolgens voedden ze het model met ruisachtige signalen, die de imperfecte gegevens nabootsen die onze zintuigen ontvangen. De resultaten waren opmerkelijk. Het model leerde succesvol de onderliggende patronen van de omgeving, zelfs wanneer de zintuiglijke input zwaar verstoord was. Wanneer de omgeving plotseling veranderde van een voorspelbaar patroon naar een chaotische situatie, paste het model zich snel aan, waarbij de interne onzekerheid steeg om overeen te komen met de nieuwe realiteit. Cruciaal was dat het model kon blijven functioneren en nauwkeurige voorspellingen kon doen, zelfs wanneer de zintuiglijke input volledig nutteloos werd, door volledig te vertrouwen op de geleerde verwachtingen. Dit toonde aan dat het systeem een stabiel beeld van de wereld kon behouden door op zijn interne model te vertrouwen wanneer de buitenwereld verstomde.

De onderzoekers testten ook of dit eenvoudige kader de capaciteit van de hersenen kon vatten om met verschillende tijdschalen om te gaan. In de echte wereld merken we directe patronen op, zoals een trommelritme, maar ook langere structuren, zoals het ritme van een lied. Het team bouwde een hiërarchische versie van hun model, met één laag die korte-termijnovergangen leert en een andere laag die lange-termijnpatronen leert. Wanneer ze het model presenteerden aan sequenties die een lokale regel volgden maar een globale regel schonden, produceerde het model duidelijke foutsignalen op elk niveau, wat de menselijke reactie op lokale versus globale verrassingen weerspiegelt. Dit suggereerde dat hetzelfde basismechanisme van leren en inferentie complexe, meerlagige perceptie kan verklaren zonder dat er aparte, gespecialiseerde systemen voor verschillende tijdschalen nodig zijn.

Om verder te gaan dan simulaties, pasten het team hun model toe op echte menselijke data van twee auditieve experimenten. In de eerste studie luisterden deelnemers naar een specifieke toon die verborgen zat in achtergrondruis. Soms gaf een voorafgaande klank een hint over welke toon er als volgende zou komen, en soms deed dat niet. Mensen zijn erom bekend dat ze verwachte tonen sneller en nauwkeuriger detecteren dan onverwachte tonen. Het SLIM-model, aangepast aan de individuele deelnemers, reproduceerde dit gedrag perfect. Het vertoonde hogere "hit rates" voor verwachte tonen en langere reactietijden voor onverwachte tonen, precies zoals de mensen in de studie deden. Het model genereerde ook een maatstaf voor "verrassing" die correleerde met hoe lang het duurde voordat deelnemers reageerden, wat suggereert dat het gevoel van verrassing een direct bijproduct is van de poging van de hersenen om hun interne model bij te werken.

Het tweede experiment voegde een laag complexiteit toe door een ambigue aanwijzing te introduceren — een geluid dat geen hint gaf over wat er daarna zou komen. Dit stelde de onderzoekers in staat om de voordelen van verwachting te scheiden van de kosten van verrassing. Opnieuw kwam het model overeen met de menselijke data. Deelnemers presteerden het best wanneer ze een duidelijke verwachting hadden, slechter wanneer ze geen verwachting hadden, en ergens in het midden wanneer de aanwijzing ambigu was. De interne berekeningen van het model met betrekking tot verwachting en verrassing volgden deze gedragsveranderingen met hoge precisie. Door de data te analyseren, vonden de onderzoekers dat de maatstaf van het model voor hoe verrassend een geluid was, gebaseerd op wat het geleerd had te verwachten, individuele verschillen in de mate waarin mensen de tonen detecteerden, kon verklaren. Dit leverde sterk bewijs dat het vermogen van de hersenen om de statistische structuur van hun omgeving te leren, de drijvende kracht is achter deze perceptuele voordelen.

De studie daagt de heersende opvatting uit dat de hersenen moeten vertrouwen op complexe, benaderende methoden om de onzekerheid van de wereld aan te pakken. In plaats daarvan suggereert het dat door perceptie te behandelen als een proces van het categoriseren van de wereld in discrete staten, de hersenen exacte berekeningen kunnen uitvoeren met eenvoudige, lokale leerregels. Deze benadering vereist niet dat de hersenen een specifieke vorm aan hun overtuigingen toekennen of duizenden willekeurige steekproeven draaien om het antwoord te vinden. Ze leren simpelweg de overgangen tussen staten en werken deze in realtime bij. Hoewel het model het beste werkt in omgevingen met een beheersbaar aantal staten, stellen de onderzoekers dat dit kader een krachtige en biologisch plausibele verklaring biedt voor hoe wij een ruisachtige wereld navigeren. Het laat zien dat het vermogen van de hersenen om de toekomst te voorspellen niet voortkomt uit complexe wiskunde, maar uit een eenvoudig, continu proces van het leren van de regels van het heden.