A neural circuit algorithm for action grammar

Het menselijk brein is een meester in patronen, in staat om een eindige set regels te nemen en een oneindige variëteit aan gedragingen te genereren. Dit vermogen om abstracte instructies op te volgen—zoals de grammatica die woorden tot zinnen organiseert of de sequentie die een reeks bewegingen in een coherente actie verandert—is een kenmerk van intelligentie. Hoewel moderne kunstmatige intelligentie enorme vooruitgang heeft geboekt in het herkennen van patronen, worstelt het vaak met het flexibel toepassen van geleerde regels op geheel nieuwe situaties, zoals mensen en dieren dat doen. Wetenschappers vermoeden al lang dat de frontale en pariëtale regio's van de hersenen, gebieden die geassocieerd worden met planning en organisatie, de sleutel vormen tot deze flexibiliteit. Echter, de specifieke machinerie binnen deze neurale circuits die een dier in staat stelt een regel te leren en deze vervolgens toe te passen op een complexer probleem, is een mysterie gebleven. Het begrijpen van hoe een biologisch netwerk een eenvoudige instructie vertaalt naar een meerstapsplan is essentieel om de kloof tussen de abstracte logica van het denken en de fysieke realiteit van vurende neuronen te overbruggen.

Om dit mechanisme te ontrafelen, richtten onderzoekers zich op een taak die apen al hebben beheerst: tekenen. In eerdere experimenten kregen macroche apen afbeeldingen te zien die meerdere objecten bevatten, zoals lijnen en cirkels, en kregen zij de opdracht deze in een specieke volgorde te traceren die door een regel werd bepaald, zoals "eerst lijnen, dan cirkels." Opmerkelijk genoeg werden de apen niet expliciet voor de regel getraind; ze concludeerden deze uit ervaring. Zodra ze het patroon hadden geleerd, konden ze het toepassen op nieuwe afbeeldingen met meer objecten dan ze ooit hadden gezien, waarbij ze er bijvoorbeeld succesvol vijf lijnen gevolgd door drie cirkels aan traceerden, zelfs als ze alleen hadden geoefend met twee lijnen en één cirkel. Dit vermogen om te generaliseren suggereert dat het brein een ingebouwde bias heeft voor het leren en gebruiken van actiegrammatica's. Om te zien hoe dit onder de motorkap werkt, trainden de onderzoekers een computermodel, specifiek een recurrent neuraal netwerk, om dezelfde tekenopdracht uit te voeren. Door de interne activiteit van het model te reverse-engineeren, ontdekten ze een precies, driedelig algoritme dat het netwerk gebruikt om deze sequenties te plannen en uit te voeren, wat een concreet blauwdruk biedt voor hoe het brein soortgelijke problemen zou kunnen oplossen.

De onderzoekers ontdekten dat het netwerk niet simpelweg reageert op de afbeelding terwijl het tekent; in plaats daarvan formuleert het een volledig plan voordat de eerste streek wordt gezet. Wanneer de taak begint, verschuift de interne staat van het netwerk naar een specifieke startpositie die de volledige toekomstige sequentie codeert. Stel je de activiteit van het netwerk voor als een punt in een enorme, multidimensionale ruimte. Voordat het tekenen begint, beweegt dit punt naar een locatie die gelijktijdig twee stukken informatie bevat: hoeveel lijnen er getekend moeten worden en hoeveel cirkels er getekend moeten worden. Cruciaal is dat deze twee getallen langs aparte, onafhankelijke richtingen in deze ruimte worden opgeslagen, vergelijkbaar met hoe een kaart noord-zuid en oost-west assen gebruikt om een punt te lokaliseren. Deze initiële positionering fungeert als een hoogwaardig blauwdruk, waardoor het netwerk precies weet hoeveel herhalingen van elke vorm vereist zijn voordat het überhaupt begint te bewegen.

Zodra het tekenen begint, voert het netwerk het plan uit door langs een specifiek pad te bewegen dat gewijd is aan de huidige vorm. Als de regel is om eerst lijnen te tekenen, reist de activiteit van het netwerk langs een "lijn"-pad, waarbij de actie wordt herhaald zolang de afstand tot het einde van dat pad dit toelaat. Het netwerk telt niet hardop; in plaats daarvan komt de afstand die het moet afleggen langs dit pad direct overeen met het aantal herhalingen dat het moet uitvoeren. Terwijl het beweegt, verbruikt het geleidelijk de afstand totdat het het einde van het lijnpad bereikt. Op dit exacte moment gaat het netwerk over naar de volgende fase. Het springt naar een ander pad dat gewijd is aan cirkels. De genialiteit van dit systeem ligt in de manier waarop de overgang wordt afgehandeld: de sprong is zo ordelijk en parallel dat de informatie over hoeveel cirkels er nog getekend moeten worden, behouden blijft. Het netwerk arriveert aan het begin van het cirkelpad op een afstand van het einde die perfect overeenkomt met het aantal cirkels dat het moet produceren, waardoor het de sequentie kan voortzetten zonder de telling kwijt te raken.

Dit mechanisme steunt op drie verschillende soorten neurale activiteit die in samenwerking werken. Sommige neuronen zijn toegewezen aan het identificeren van welke vorm er momenteel wordt getekend, wat effectief de modus van het netwerk schakelt van "lijn" naar "cirkel". Andere neuronen houden de voortgang van de huidige streek bij, wat signaleert hoeveel herhalingen er nog over zijn. Ten slotte wordt een specifieke groep neuronen zeer actief precies op de grens tussen de vormen, fungerend als een trigger die het netwerk van het ene pad naar het andere stuurt. De onderzoekers observeerden dat naarmate het netwerk het einde van een sequentie van lijnen nadert, de inhibitie die normaal gesproken de "cirkel"-neuronen onderdrukt, verzwakt, waardoor zij kunnen vuren en het overnemen. Deze naadloze overdracht zorgt ervoor dat de telling voor de komende vorm nooit verloren gaat tijdens de overgang. De studie suggereert dat het brein een vergelijkbare strategie van orthogonale planning en parallelle transities gebruikt om complexe gedragingen te organiseren, waardoor het eindeloze variaties van actie kan genereren vanuit een eenvoudige set regels.

De implicaties van deze ontdekking reiken verder dan de tekenopdracht. Het mechanisme dat de onderzoekers hebben blootgelegd, biedt een tastbare verklaring voor hoe het brein een mentaal programma in stand kan houden terwijl het de stappen ervan uitvoert. Het laat zien dat het brein niet constant de hele sequentie vanaf nul hoeft te herberekenen; in plaats daarvan stelt het een initiële staat in die het volledige plan bevat en laat het vervolgens de dynamiek van het neurale circuit dat plan uitvoeren. Deze aanpak maakt een opmerkelijke flexibiliteit mogelijk: als het probleem verandert en meer herhalingen vereist, begint het netwerk simpelweg verder uit op dezelfde paden, gebruikmakend van dezelfde onderliggende machinerie. Hoewel de huidige studie een computersimulatie gebruikte om dit te demonstreren, bieden de specifieke patronen van activiteit die door het model worden voorspeld — zoals de orthogonale codering van getallen en de parallelle transities tussen vormen — duidelijke, toetsbare voorspellingen voor toekomstige experimenten in levende hersenen. Door te onthullen hoe een neuraal circuit een symbolisch algoritme kan implementeren, brengt dit werk ons dichter bij het begrijpen van de biologische basis van menselijke intelligentie en het vermogen om te leren, zich aan te passen en te creëren.