Мозг применяет сжатие данных для принятия решений

Прочитано: 264 раз(а)
1 Звезда2 Звезды3 Звезды4 Звезды5 Звезд (Оценок пока нет)
Loading ... Loading ...


Если вы были ребенком в 80-х или являетесь поклонником ретро-видеоигр, то вы должны знать Frogger. Игра может быть довольно сложной задачей. Чтобы выиграть, вы должны сначала выжить в потоке интенсивного движения, а затем чудом избежать забвения, зигзагом преодолевая мчащиеся деревянные бревна. Откуда мозг знает, на чем сосредоточиться во всей этой каше?

Исследование, опубликованное сегодня (6 июня) в научном журнале Nature Neuroscience , предлагает возможное решение: сжатие данных . «Сжатие представлений о внешнем мире сродни устранению всей нерелевантной информации и принятию временного «туннельного видения» ситуации», — сказал один из старших авторов исследования Кристиан Маченс, руководитель лаборатории теоретической неврологии в Фонде Шампалимо в Португалии.

«Идея о том, что мозг максимизирует производительность при минимальных затратах за счет использования сжатия данных, широко распространена в исследованиях сенсорной обработки. Однако на самом деле она не изучалась в когнитивных функциях», — сказал старший автор Джо Патон, директор Исследовательской программы Шампалимо в области неврологии. . «Используя комбинацию экспериментальных и вычислительных методов , мы продемонстрировали, что этот же принцип распространяется на гораздо более широкий спектр функций, чем предполагалось ранее».

В своих экспериментах исследователи использовали временную парадигму. В каждом испытании мыши должны были определить, разделены ли два тона интервалом больше или меньше 1,5 секунды. При этом исследователи зафиксировали активность дофаминовых нейронов в мозгу животного во время выполнения задания.

«Хорошо известно, что дофаминовые нейроны играют ключевую роль в обучении ценности действий», — объяснил Махенс. «Поэтому, если животное неправильно оценило продолжительность интервала в данном испытании, тогда активность этих нейронов приведет к «ошибке прогноза», которая должна помочь улучшить результаты в будущих испытаниях».

Асма Мотивала, первый автор исследования, построила множество вычислительных моделей обучения с подкреплением и проверила, какая из них лучше всего отражает как активность нейронов, так и поведение животных. Модели имели некоторые общие принципы, но отличались тем, как они представляли информацию, которая могла бы иметь отношение к выполнению задачи.

Команда обнаружила, что только модели со сжатым представлением задач могут учитывать данные. «Мозг, кажется, устраняет всю нерелевантную информацию. Любопытно, что он также, по-видимому, избавляется от некоторой важной информации , но недостаточно, чтобы реально оценить, сколько вознаграждения получает животное в целом. Он явно знает, как добиться успеха в этой игре», — сказал Махенс.

Интересно, что тип представленной информации касался не только переменных самой задачи. Вместо этого он также зафиксировал собственные действия животного. «Предыдущие исследования были сосредоточены на особенностях окружающей среды независимо от поведения человека. Но мы обнаружили, что только сжатые представления, которые зависели от действий животного, полностью объясняли данные. Внешний мир изучается, особенно такие сложные, как в этом задании, могут необычным образом взаимодействовать с тем, как животные решают действовать», — объяснил Мотивала.

По мнению авторов, это открытие имеет большое значение как для нейронауки, так и для искусственного интеллекта. «Хотя мозг явно эволюционировал, чтобы эффективно обрабатывать информацию, алгоритмы ИИ часто решают проблемы грубой силой: используя множество данных и множество параметров. Наша работа предлагает набор принципов, которыми можно руководствоваться в будущих исследованиях того, как внутренние представления мира могут поддерживаться.

Диаграммы мозга отображают быстрый рост и медленное угасание человеческого мозга на протяжении всей нашей жизни



Новости партнеров