🧠 neuroscience

Predictive learning with local plasticity in excitatory-inhibitory networks

Este artigo demonstra que redes recorrentes excitatórias-inibitórias com plasticidade puramente local, particularmente regras do tipo BCM, podem alcançar inferência preditiva e aprender características espaciotemporais esparsas ao manter pesos em uma variedade de consistência, ligando, assim, a codificação preditiva a mecanismos de circuito biologicamente plausíveis sem exigir representações explícitas de erro.

Autores originais: Reis Aguiar, H., Hennig, M. H.

Publicado 2026-09-04

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Reis Aguiar, H., Hennig, M. H.

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo

O cérebro humano é uma vasta rede de bilhões de neurônios, disparando e conectando-se constantemente para dar sentido ao mundo. No cerne desta atividade estão duas forças opostas: sinais excitatórios que incentivam os neurônios a disparar e sinais inibitórios que os acalmam. Durante décadas, os cientistas se perguntaram como essas simples interações locais permitem que o cérebro realize algo tão complexo quanto prever o que acontecerá a seguir. Uma ideia proeminente, chamada codificação preditiva, sugere que o cérebro está sempre adivinhando as causas de seus estímulos sensoriais e apenas presta atenção às surpresas. No entanto, um grande enigma permaneceu: como uma rede biológica, que só pode ajustar suas conexões com base na atividade imediata de células próximas, pode realizar esse sofisticado jogo de adivinhação sem um computador central para calcular erros?

Um novo estudo da Universidade de Edimburgo oferece uma resposta convincente ao mostrar como um tipo específico de circuito neural pode aprender a prever o futuro usando apenas regras locais. Os pesquisadores construíram um modelo computacional de uma rede onde neurônios excitatórios enviam sinais para frente, enquanto neurônios inibitórios fornecem feedback para manter o sistema sob controle. Eles descobriram que, para esta rede aprender efetivamente, as conexões entre os neurônios devem permanecer em um equilíbrio muito específico. Se as conexões excitatórias se afastarem demais desse equilíbrio, a rede falha em aprender os padrões reais dos dados. A equipe descobriu que uma regra de aprendizado particular, semelhante a uma observada em cérebros de animais reais, mantém naturalmente a rede nesse ponto ideal. Esta regra permite que a rede aprenda com imagens estáticas, como bordas e formas, e também com vídeos em movimento, onde ela pode antecipar a direção do movimento e até preencher partes ausentes de uma sequência quando o estímulo desaparece.

Os pesquisadores começaram testando seu modelo em imagens estáticas simples, como barras cruzadas ou fragmentos de fotografias naturais. Eles queriam ver se a rede poderia decompor essas imagens complexas em seus blocos de construção básicos, como linhas ou bordas, sem ser instruída sobre o que procurar. Eles compararam diversas maneiras pelas quais a rede poderia ajustar suas conexões. Alguns métodos, que dependiam de uma simples coincidência entre neurônios, fizeram a rede se afastar do equilíbrio ideal, levando a um aprendizado desordenado e impreciso. No entanto, quando utilizaram uma regra que ajusta as conexões com base em quão bem a atividade atual corresponde a uma previsão, a rede permaneceu perfeitamente equilibrada. Esta regra específica, que os autores chamam de "regra preditiva", garantiu que o feedback inibitório sempre correspondesse ao necessário para cancelar o ruído no estímulo. Como resultado, a rede aprendeu a representar as imagens usando um conjunto esparso de características, o que significa que apenas alguns neurônios disparavam por vez para descrever a imagem, de forma muito semelhante ao funcionamento do córtex visual de mamíferos.

O estudo foi além ao adicionar uma camada de tempo ao modelo. A vida real não é apenas uma série de imagens estáticas; é um fluxo contínuo de eventos. Para mimetizar isso, os pesquisadores adicionaram um mecanismo onde o estado atual da rede poderia influenciar seu estado futuro, criando uma forma de memória. Ao treinar esta rede atualizada em vídeos de barras em movimento, ela aprendeu a detectar não apenas a forma do objeto, mas também a direção em que ele viajava. Notavelmente, a rede desenvolveu a capacidade de completar sequências. Se o vídeo de uma barra em movimento fosse subitamente apagado, a rede continuava a "ver" a barra movendo-se na mesma direção, preenchendo a lacuna com base no que havia aprendido. Isso sugere que a rede internalizou as regras de movimento e poderia executá-las para frente em sua própria mente, uma capacidade que é crucial para navegar pelo mundo.

Para tornar o modelo ainda mais realista, a equipe removeu as pausas artificiais entre as etapas de aprendizado e permitiu que a rede aprendesse a partir de um fluxo contínuo de dados, tal como um cérebro vivo faz. Nesta versão contínua, a rede desenvolveu padrões de atividade suaves e curvos em vez de interruptores rígidos e nítidos. Quando os pesquisadores estimularam esta rede com ruído aleatório após ela ter terminado o aprendizado, a rede reproduziu espontaneamente as sequções que havia visto antes. Ela ciclava através dos mesmos padrões de atividade, como se estivesse relembrando um evento passado. Esses padrões formaram uma estrutura em anel no espaço de atividade da rede, uma forma que permite ao sistema representar um único valor, como uma direção, de forma muito precisa. Este comportamento espelha o que acontece no hipocampo do cérebro, onde animais reproduzem seus caminhos durante o repouso, sugerindo que as mesmas regras locais de aprendizado poderiam fundamentar tanto a previsão quanto a memória.

As descobertas desafiam a visão mantida por muito tempo de que o cérebro precisa de neurônios de erro especiais para calcular a diferença entre o que se espera e o que se vê. Em vez disso, o estudo sugere que o cérebro pode simplesmente usar o descompasso entre suas próprias previsões internas e os sinais recebidos para ajustar suas conexões diretamente. Os pesquisadores mostraram que, ao manter as partes excitatória e inibitória do circuito em um relacionamento estreito e consistente, a rede pode realizar inferências complexas sem a necessidade de um sinal de erro separado. Isso implica que a plasticidade, ou a capacidade de mudar, das conexões excitatórias é a chave para a previsão. O estudo fornece um forte elo teórico entre as regras locais e biológicas de aprendizado e o comportamento inteligente e global de previsão, sugerindo que a capacidade do cérebro de antecipar o futuro é uma consequência natural de como seus circuitos permanecem equilibrados.

Resumo Técnico: Aprendizado Preditivo com Plasticidade Local em Redes Excitatórias-Inibitórias

Declaração do Problema

O código preditivo oferece um arcabouço normativo para compreender a computação cortical, postulando que circuitos neurais inferem causas latentes de entradas sensoriais ao reconciliar os dados com um modelo generativo interno. No entanto, permanece uma lacuna significativa em explicar como redes biologicamente plausíveis, especificamente circuitos excitatórios-inibitórios (E-I) recorrentes com plasticidade local, podem sustentar a inferência preditiva e o aprendizado de representação. Implementações clássicas de código preditivo frequentemente dependem de mecanismos não biológicos, como pesos de feedback simétricos, neurônios de erro explícitos ou atualizações não locais. Embora trabalhos anteriores tenham mostrado que redes Hebbianas/anti-Hebbianas podem aprender representações fatorizadas, faltava um elo analítico exato entre esses mecanismos locais plausíveis e os princípios da teoria do código preditivo. Este trabalho aborda a questão de saber se redes E-I com plasticidade puramente local podem realizar inferência preditiva sem representações de erro explícitas.

Metodologia

Os autores propõem um circuito E-I recorrente onde o aprendizado é impulsionado por regras de plasticidade local derivadas de um objetivo de código preditivo.

Estrutura Teórica

O modelo assume que os dados sensoriais $x$ são gerados a partir de causas latentes $y$ via um modelo generativo linear $x = Dy + \epsilon$ com um prior fatorizado $p(y)$ . O objetivo de aprendizado é minimizar a função de energia conjunta (log-verossimilhança negativa):
$E(y, x; D) = \frac{1}{2}\|x - Dy\|^2_2 + \phi(y)$
onde $\phi(y)$ representa a energia do prior.

Os autores introduzem uma arquitetura de rede Hebbiana/anti-Hebbiana com:

Pesos excitatórios de fluxo direto ( $W$ ): Aproximando $D^\top$ .
Pesos inibitórios recorrentes ( $M$ ): Aproximando o segundo momento do código latente $E[yy^\top]$ .

O Manifold de Consistência

Uma contribuição teórica central é a identificação de um manifold de consistência. Para que a dinâmica da rede seja equivalente ao objetivo do código preditivo, a inibição recorrente deve corresponder à inibição exigida pelo objetivo. Isso requer a condição $M \approx WW^\top$ .
Os autores derivam que, para a rede aprender de forma ótima, os pesos devem permanecer em um manifold onde os pesos de fluxo direto predizem a dinâmica inibitória ( $Wx = y$ ). Se essa condição for violada, o código latente é inferido sob um landscape de energia perturbado, levando a um aprendizado subótimo.

Regras de Plasticidade

O artigo compara diversas regras de plasticidade local para os pesos excitatórios $W$ :

Regra Preditiva: Derivada para manter a condição de consistência exatamente sob um prior Gaussiano. A atualização é proporcional ao erro de consistência $e = y - Wx$ :
$W \leftarrow W + \eta(y - Wx)x^\top$
Esta regra desaparece quando a condição de consistência é satisfeita, mantendo os pesos no manifold.
Regra Hebbiana (com decaimento de peso): $W \leftarrow W + \eta(yx^\top - W)$ . Os autores mostram que esta regra empurra os pesos para fora do manifold de consistência porque o termo de correção inclui um componente $W(xx^\top - I)$ que é não-zero para amostras únicas.
Regra do tipo BCM: Uma regra Bienenstock-Cooper-Munro com um limiar dependente da atividade.
Regras de Oja e Földiák: Alternativas padrão para normalização e decorrelação.

Configuração Experimental

Os autores testaram essas regras em:

Caso Gaussiano Linear: Dados Gaussianos 2D não branqueados e datasets de crossed-bars para verificar o branqueamento e a consistência.
Caso Não-Gaussiano: Tarefas de sparse coding usando crossed-bars, MNIST e patches de ImageNet com priors exponenciais (exigindo retificação).
Dinâmicas Temporais: Introdução de excitação recorrente atrasada ( $P$ ) para modelar dados sequenciais (barras em movimento, Moving MNIST, vídeo natural CATCAM).
Modelo Contínuo: Uma rede E-I contínua no tempo com populações excitatórias e inibitórias separadas, implementando atualizações assíncronas e o princípio de Dale, utilizando uma regra do tipo BCM.

Principais Resultados

1. Elo Analítico e a Regra Preditiva

Os autores estabelecem que o aprendizado em circuitos E-I exige que os pesos permaneçam no manifold de consistência. A regra preditiva é analiticamente demonstrada como mantendo essa condição exatamente para priors Gaussianos. Em contraste, a clássica regra Hebbiana, embora ótima para adaptar pesos inibitórios, empurra os pesos excitatórios para longe do manifold, levando ao drift e a soluções subótimas.

2. Aprendizado sob Priors Não-Gaussianos

Sob priors não-Gaussianos (esparsos), a condição de consistência não pode ser satisfeita exatamente devido à não-linearidade e restrições de peso. No entanto, resultados empíricos mostram que:

A regra preditiva e a regra do tipo BCM mantêm os pesos suficientemente próximos do manifold de consistência para aprender características fatorizadas esparsas e ótimas (ex: detectores de borda).
Essas regras resultam em menores erros de reconstrução e melhor decorrelação de códigos latentes em comparação com as regras Hebbiana, Oja ou Földiák.
A regra BCM, que depende da diferença entre a atividade pós-sináptica e um limiar deslizante, aproxima efetivamente o comportamento da regra preditiva.

3. Aprendizado Espaciotemporal e Completude de Sequências

Ao adicionar excitação recorrente ( $P$ ) para modelar dependências temporais:

As redes aprendem fatores espaciotemporais, desenvolvendo seletividade de direção a partir de vídeos naturais (CATCAM).
As redes adquirem a capacidade de completar sequências parcialmente observadas. Quando os inputs são ocultados, a dinâmica recorrente continua os padrões de movimento aprendidos.
Tanto as regras preditivas quanto as BCM superam as regras Hebbianas padrão em tarefas de completude de sequência e índices de seletividade de direção.

4. Dinâmicas Contínuas e Estruturas de Atrator

No modelo contínuo, no tempo contínuo, com atualizações assíncronas:

A rede desenvolve estruturas do tipo atrator de baixa dimensão.
Estimular a rede treinada com ruído induz o replay de sequências espaciotemporais aprendidas.
As trajetórias de atividade formam estruturas de anel (ring-like) em espaço de baixa dimensão, consistente com as dinâmicas observadas em populações neurais (ex: hipocampo e córtex visual).
O modelo desenvolve curvas de ajuste (tuning curves) suaves em vez de detectores de fatores discretos, assemelhando-se às respostas neurais biológicas.

Significância e Alegações

O artigo afirma preencher a lacuna entre as teorias normativas de código preditivo e os mecanismos de circuito locais biologicamente plausíveis. Suas principais contribuições são:

Ausência de Representação de Erro Explícita: O trabalho demonstra que a inferência preditiva não requer "neurônios de erro" explícitos ou feedback simétrico. Em vez disso, os erros de predição são absorvidos na regra de atualização sináptica local como a discrepância entre a atividade inferida recorrentemente e as previsões de fluxo direto.
Papel Normativo para BCM: Os resultados sugerem um papel normativo para a plasticidade do tipo BCM em sinapses excitatórias, mostrando que ela aproxima efetivamente a regra preditiva ideal necessária para manter o manifold de consistência.
Otimização de Circuito Local: Fornece um mecanismo pelo qual regras de plasticidade locais podem auto-organizar circuitos E-I para realizar inferência probabilística e aprendizado de representação, ligando a dinâmica sináptica diretamente à otimização de um modelo generativo.
Previsões Experimentais: Os autores propõem que a plasticidade excitatória deve depender do descompasso entre a atividade inferida recorrentemente e a atividade prevista pelo fluxo direto. Eles sugerem que manipular a inibição recorrente pode alterar a magnitude ou o sinal da plasticidade excitatória e a esparsidade das representações aprendidas, oferecendo hipóteses testáveis para sistemas sensoriais.

Os autores mantêm a modéstia quanto às limitações, observando que a aproximação de estimativa de ponto (MAP) pode ter dificuldades com inputs ambíguos e que a equivalência exata ao nível de energia do código preditivo requer condições idealizadas (inputs branqueados, dados centrados) que são apenas aproximadamente atendidas em configurações não-Gaussianas ou contínuas. No entanto, as descobertas oferecem uma visão unificada de como a plasticidade local sustenta a computação cortical.