Исследование нейронных волн доказывает, что ритмические паттерны мозга играют ключевую роль в обработке информации.
Исследователи из Института Эрнста Штрюнгмана во Франкфурте-на-Майне, Германия, под руководством Вольфа Зингера сделали новое открытие в понимании фундаментальных мозговых процессов. Впервые команда предоставила убедительные доказательства того, что характерные ритмические паттерны мозга играют решающую роль в обработке информации. Хотя эта колебательная динамика уже давно наблюдается в мозге, ее цель до сих пор оставалась неясной.
Исследование имеет потенциал изменить наше понимание мозговой активности. Используя компьютерное моделирование , исследователи показывают, что рекуррентные сети с колеблющимися узлами демонстрируют лучшую производительность по сравнению с неколеблющимися сетями и воспроизводят многие экспериментально наблюдаемые явления.
Эти результаты показывают, что колебательная динамика — это не просто эпифеномен, а необходимая для эффективных вычислений в мозге. Работа опубликована в журнале Proceedings of the National Academy of Sciences .
Кроме того, исследование показывает, что включение неоднородности в параметры сети , например, введение различных частот колебаний и задержек проводимости, еще больше повышает производительность сети. Это говорит о том, что неоднородность, наблюдаемая в биологических сетях, является не просто результатом неточности природы, а признаком вычислительного субстрата, оптимизированного для эффективного вычисления стимулов с сильно различающимися свойствами.
«Наши результаты бросают вызов традиционному взгляду на динамику мозга, который часто предполагает довольно локализованную обработку информации», — сказал Феликс Эффенбергер, первый автор исследования. «Вместо этого мы предполагаем, что мозг использует волны для выполнения вычислений в высокораспределенной и параллельной манере. Интерференционные паттерны, создаваемые такими волновыми ответами, способствуют целостному представлению и высокораспределенному кодированию как пространственных, так и временных отношений между признаками стимула».
Сети служат средой для генерации волн
Исследователи предлагают новую интерпретацию нейронной динамики, в которой сети служат средой для генерации и распространения волн, а не функционируют как сложная печатная плата с четко определенными и направленными потоками сигналов, как предполагается современными теориями в нейробиологии и как это имеет место в обычных цифровых компьютерах.
Авторы исследования предполагают, что мозг использует суперпозицию и интерференцию волн для представления и обработки информации в высокораспределенной форме, используя уникальные свойства связанных сетей осцилляторов, такие как резонанс и синхронизация.
«Это большой шаг вперед в нашем понимании того, как работает мозг», — сказал Сингер, старший автор исследования. «Предложенная вычислительная стратегия идеально подходит для когнитивных функций, требующих одновременной оценки большого количества вложенных связей между пространственными и временными характеристиками стимула».
«Такие задачи необходимо решать для понимания визуальных сцен и языка. Кроме того, предлагаемая вычислительная стратегия обеспечивает механизм для решения «проблемы связывания», подтверждая гипотезу о том, что связывание признаков — совместная оценка признаков, принадлежащих объекту — может быть достигнуто путем синхронизации колебательных реакций».
Помимо значительного вклада в нейронауку, результаты прокладывают путь к разработке новых энергоэффективных чипов для искусственного интеллекта, например, в разработке новых, значительно более энергоэффективных технических компонентов. Авторы предлагают отойти от традиционных цифровых конструкций, выступая за аналоговые чипы, вдохновленные динамическими процессами мозга.
Они также предполагают, что их выводы могут послужить руководством для разработки нового поколения систем ИИ, которые будут более надежными, энергоэффективными и лучше подготовленными к обучению на меньших наборах данных. Это исследование значительно расширяет наше понимание того, как мозг обрабатывает информацию, и прокладывает путь для новых исследовательских возможностей в области нейронауки и искусственного интеллекта.