研究人员开发新的模型大脑如何处理复杂的信息

人类的大脑是一个高度发达的信息处理器由超过860亿个神经元。人类是善于从复杂网络识别模式,如语言,没有任何正式的指令。以前,认知科学家试图解释这种能力通过描绘大脑作为一个高度优化的电脑,但现在讨论神经科学家,这个模型可能不准确地反映大脑是如何工作的。

现在,宾夕法尼亚大学的研究人员研制出了一种不同模型大脑如何解释模式复杂网络。发表在自然通讯,这个新模型表明,检测模式在一定程度上源于大脑能力的目标来表示事物最简单的方式。他们的模型描述了大脑不断平衡精度和简单决策。这项工作是由物理学博士生克里斯托弗•林恩Ari卡恩神经学博士生,教授丹尼尔·巴塞特。

这个新模型是建立在人们犯错误的想法在试图理解模式,这些错误是必不可少的瞥见大局。“如果你看一个近距离的点彩派画家绘画,你可以正确地确定每一个点。如果你退一步20英尺,细节变得模糊,但你会获得更好的整体结构,”Lynn说。

为了测试他们的假设,研究人员进行了一项组实验类似于卡恩此前进行的研究。研究发现,当被试看重复元素序列,如A-B-C-B,等等,他们对某些自动敏感模式不明确知道模式存在。“如果你体验一个序列的信息,如听演讲,你可以选择在特定数据元素之间没有意识到这些统计数据是什么,”卡恩说。

自动理解大脑如何理解此类复杂关联序列内,360年的研究被试看一个电脑屏幕上有五个灰色方块对应五个键在键盘上。两个五广场由灰色变为红色,参与者必须与变化的方形的电脑键盘。对参与者来说,颜色方块的模式是随机的,但生成的序列实际上是使用两种类型的网络。

研究人员发现的结构网络影响参与者的速度可能会对刺激做出回应,表明他们的期望的基础模式。反应快被试看序列生成时使用模块化的网络相比,序列来自一个晶格网络。

虽然这两种类型的网络看起来不同人眼在大规模,他们实际上是在统计上彼此相同的小尺度。有相同数量的节点和边之间的联系,尽管整体形状是不同的。“电脑不会在乎这种差异在大型结构,但它是在大脑。科目可以更好地理解模块化网络的基本结构和预测即将到来的形象,”Lynn说。

使用工具信息理论和强化学习,研究人员可以使用这些数据来实现一个叫做熵度量的复杂性。“非常随机是最复杂的事情你能做,而如果你是学习序列非常精确,这是最复杂的事情你可以做。错误和复杂性之间的平衡,或负熵,使产生的预测模型,”Lynn说。

大脑如何处理信息的生成的模型描述了大脑平衡两种对立压力:复杂性和准确性。“你可以非常复杂,学习好,但你真的努力学习模式,”Lynn说。“或者你有一个低复杂性的过程,这是容易,但是你不会学习的模式。”

新模型,研究人员也能够使用一个参数β量化这种平衡。如果β是零,大脑的错误,但减少复杂性。如果β是高的,那么大脑是采取预防措施以避免犯错误。“所有β是之间的优化控制,”Lynn表示。在这项研究中,20%的参与者都有一个小测试,10%有高β值,剩下的70%是介于两者之间。“你认为这广泛的β值的人,”他说。

卡恩说,这个想法的平衡力量并不奇怪,考虑到大脑必须处理大量的信息在有限的资源和不花太多时间在简单的决定。“大脑已经使用了大量的代谢成本,所以你真的想最大化你出去,”他说。“如果你思考的注意力,做一些基本的工作,如:有一个固有的贸易在最大化准确性与你不顾一切。”

犯错误的角色呢?他们的模型提供支持的想法人类的大脑不是一个最佳的学习机器,而是犯错误,并从错误中吸取教训,在行为和认知发挥了巨大的作用。似乎能看更广泛的复杂系统,像离开点彩派画家绘画,给大脑一个更好的整体关系。

“理解结构,或这些元素如何与另一个,可以出现在一个不完美的编码信息。如果有人完全能够编码所有传入的信息,他们未必理解相同的分组的经历,他们如果有一点模糊,”卡恩说。

“最酷的东西是错误的人们如何学习和感知世界是影响我们的学习能力结构。所以我们非常脱离计算机如何行动,”Lynn说。

现在研究人员感兴趣的模块化网络大脑更容易解释和也进行功能磁共振成像研究明白大脑这些网络协会正在形成。他们也好奇人们是否平衡的复杂性和准确性是液体,人们是否可以改变自己或如果他们是“集”,也希望做实验使用语言输入在未来的某个时候。

“更好地了解健康的成年之后人类建立这些网络模型,我们的世界,我们兴奋地转向研究精神分裂症等精神疾病的患者建立不准确或者改变模型的世界,”巴塞特说。“我们最初的工作为新举措铺平了道路在新兴的计算精神病学领域。”