Теперь исследователи из Пенсильвании разработали другую модель того, как мозг интерпретирует паттерны из сложных сетей. Эта новая модель, опубликованная в Nature Communications, показывает, что способность обнаруживать закономерности частично проистекает из цели мозга представлять вещи наиболее простым из возможных способов.
Их модель изображает мозг как постоянно балансирующий между точностью и простотой при принятии решений. Работу вела к.ф.-м.D. студент Кристофер Линн, доктор нейробиологии.D. студент Ари Кан и профессор Даниэль Бассетт.
Эта новая модель построена на идее, что люди совершают ошибки, пытаясь разобраться в закономерностях, и эти ошибки необходимы, чтобы получить представление о более широкой картине. "Если вы внимательно посмотрите на картину пуантилистов, вы сможете правильно определить каждую точку. Если вы отступите на 20 футов, детали станут нечеткими, но вы получите лучшее представление об общей структуре », – говорит Линн.
Чтобы проверить свою гипотезу, исследователи провели серию экспериментов, аналогичных предыдущему исследованию Кана. Это исследование показало, что когда участникам показывали повторяющиеся элементы в последовательности, такие как A-B-C-B и т. Д., они автоматически были чувствительны к определенным паттернам, не зная явно о существовании паттернов. «Если вы воспринимаете последовательность информации, например, слушая речь, вы можете уловить определенную статистику между элементами, не зная, что это за статистика», – говорит Кан.
Чтобы понять, как мозг автоматически распознает такие сложные ассоциации в последовательностях, 360 участникам исследования показали экран компьютера с пятью серыми квадратами, соответствующими пяти клавишам на клавиатуре. Когда два из пяти квадратов изменились с серого на красный, участники должны были нажимать клавиши компьютера, соответствующие изменяющимся квадратам.
Для участников узор из квадратов с изменяющимся цветом был случайным, но на самом деле последовательности были сгенерированы с использованием двух типов сетей.
Исследователи обнаружили, что структура сети влияет на то, насколько быстро участники могут реагировать на стимулы, что свидетельствует об их ожиданиях в отношении основных паттернов.
Ответы были быстрее, когда участникам показывали последовательности, созданные с использованием модульной сети, по сравнению с последовательностями, исходящими из решетчатой сети.
Хотя эти два типа сетей выглядят по-разному для человеческого глаза в больших масштабах, на самом деле они статистически идентичны друг другу в малых масштабах. Между узлами и ребрами одинаковое количество соединений, хотя общая форма отличается. "Компьютер не заботится об этой разнице в крупномасштабной структуре, но ее улавливает мозг. «Испытуемые могли лучше понять базовую структуру модульной сети и предвидеть предстоящее изображение», – говорит Линн.
Используя инструменты из теории информации и обучения с подкреплением, исследователи смогли использовать эти данные для реализации показателя сложности, называемого энтропией. "Быть очень случайным – это наименее сложная вещь, которую вы могли бы сделать, тогда как если бы вы очень точно выучили последовательность, это самое сложное, что вы можете сделать. Баланс между ошибками и сложностью, или отрицательная энтропия, дает основание для прогнозов, которые дает модель », – говорит Линн.
Полученная в результате модель того, как мозг обрабатывает информацию, изображает мозг как балансирующий два противоположных давления: сложность и точность. «Вы можете быть очень сложным и хорошо учиться, но тогда вы действительно усердно работаете над изучением шаблонов», – говорит Линн. "Или у вас более простой процесс, который проще, но вы также не собираетесь изучать шаблоны."
С помощью своей новой модели исследователи также смогли количественно оценить этот баланс, используя параметр бета. Если бета равна нулю, мозг делает много ошибок, но сводит к минимуму сложность. Если бета высока, мозг принимает меры, чтобы избежать ошибок. «Все, что делает бета-версия, – это настройка того, что доминирует», – говорит Линн. В этом исследовании у 20% участников была небольшая бета-версия, у 10% – высокие значения бета, а остальные 70% находились где-то посередине. «Вы действительно видите такое широкое распространение бета-значений среди людей», – говорит он.
Кан говорит, что идея уравновешивания сил неудивительна, учитывая огромное количество информации, которую мозг должен обрабатывать при ограниченном количестве ресурсов и не тратя слишком много времени на простые решения. «Мозг уже использует огромное количество метаболических затрат, поэтому вы действительно хотите максимально использовать то, что вы получаете», – говорит он. "Если вы думаете о чем-то столь же простом, как внимание, вам придется искать компромисс между максимальной точностью и всем остальным, что вы игнорируете."
А как насчет роли ошибок? Их модель поддерживает идею о том, что человеческий мозг – не оптимальная обучающая машина, а скорее, что совершение ошибок и обучение на них играет огромную роль в поведении и познании.
Похоже, что способность смотреть на сложные системы шире, например, уходить от пуантилистской картины, дает мозгу лучшее представление об общих взаимоотношениях.
"Понимание структуры или того, как эти элементы соотносятся друг с другом, может возникнуть из-за несовершенного кодирования информации. Если бы кто-то был в состоянии полностью кодировать всю поступающую информацию, он бы не обязательно понимал ту же группу переживаний, что и они, если бы в этом была небольшая нечеткость », – говорит Кан.
"Самое крутое, что ошибки в том, как люди учатся и воспринимают мир, влияют на нашу способность изучать структуры. Таким образом, мы очень далеки от того, как мог бы действовать компьютер », – говорит Линн.
Теперь исследователи интересуются, что облегчает интерпретацию мозгом модульной сети, а также проводят функциональные МРТ-исследования, чтобы понять, где в мозгу формируются эти сетевые ассоциации. Им также любопытно, является ли у людей баланс сложности и точности подвижным, могут ли люди измениться самостоятельно или они «настроены», а также надеются провести эксперименты, используя языковой ввод, когда-нибудь в будущем.
«После лучшего понимания того, как здоровые взрослые люди строят эти сетевые модели нашего мира, мы рады обратиться к изучению психических состояний, таких как шизофрения, при которых пациенты строят неточные или иным образом измененные модели своего мира», – говорит Бассетт. "Наша первоначальная работа прокладывает путь новым усилиям в развивающейся области вычислительной психиатрии."
Это исследование было поддержано главным образом U.S. Управление армейских исследований через грант DCIST- W911NF-17-2-0181 и Национальный научный фонд через грант NSF PHY-1554488.