Как мозг предсказывает реальность: новая рекуррентная нейронная модель восприятия

Введение: Как наш мозг конструирует реальность

Каждую секунду наши органы чувств бомбардируются колоссальным объемом информации. Вопреки классическому представлению о мозге как о пассивном приемнике, записывающем входящие сигналы подобно видеокамере, современная нейробиология доказывает обратное. Наш мозг — это активный орган предсказания. Он постоянно строит гипотезы о том, что происходит во внешнем мире, используя прошлый опыт, контекст и внутренние ожидания. Этот процесс позволяет нам мгновенно распознавать объекты, ориентироваться в пространстве и принимать решения в условиях неопределенности.

Однако точные нейронные механизмы, с помощью которых эти внутренние предсказания влияют на первичную обработку сенсорных сигналов, остаются одним из самых дискуссионных вопросов в когнитивной науке. Существующие теоретические модели часто не согласуются с практическими экспериментальными данными. В данной статье мы подробно разберем новую рекуррентную нейронную модель, которая предлагает элегантное решение этой проблемы, объединяя восходящие сенсорные потоки и нисходящие сигналы обратной связи в единую динамическую систему.

Проблема классического предиктивного кодирования

В последние десятилетия доминирующей концепцией в этой области оставалось предиктивное кодирование (predictive coding). Согласно этой теории, мозг активно минимизирует «ошибку предсказания» — разницу между тем, что мы ожидаем увидеть, и тем, что наши органы чувств реально воспринимают.

Основные постулаты предиктивного кодирования:

• Высшие регуляторные отделы коры головного мозга генерируют нисходящие предсказания и направляют их в сенсорные зоны.
• Сенсорные зоны сравнивают эти ожидания с реальными сигналами из внешнего мира.
• Вместо передачи всей сенсорной информации дальше по цепочке, передается только разница — ошибка предсказания (prediction error).

Несмотря на свою математическую элегантность, классическая модель предиктивного кодирования сталкивается с серьезными эмпирическими противоречиями. Данные функциональной магнитно-резонансной томографии (фМРТ) и электрофизиологических исследований не всегда подтверждают ее прогнозы. В некоторых экспериментах ожидание стимула приводит к подавлению нейронной активности (эффект угасания ожидания), тогда как в других — к ее усилению (эффект сенсорного усиления). Это указывает на необходимость создания альтернативной, более гибкой модели, которая лучше соответствует реальной архитектуре мозга.

Новая альтернатива: Рекуррентная нейронная модель

Авторы исследования — Бусе М. Урген (Buse M. Urgen), Хилал И. Бастурк (Hilal I. Basturk) и Хусейн Бояджи (Huseyin Boyaci) — предложили альтернативный подход. Они разработали рекуррентную нейронную модель (recurrent neuronal model), которая описывает интеграцию сенсорных сигналов и предсказаний через динамику локальных нейронных сетей коры головного мозга.

«Наша модель демонстрирует, как единый рекуррентный механизм может объяснить как поведенческие эффекты, так и изменения в активности мозга, наблюдаемые при различных условиях ожидания», — отмечают исследователи.

В основе модели лежит интеграция двух ключевых информационных потоков:

• Восходящий сенсорный сигнал (feedforward input): Информация, поступающая непосредственно от органов чувств (например, сетчатки глаза) в первичные сенсорные зоны коры.
• Нисходящий сигнал обратной связи (feedback signal): Сигнал, несущий априорные ожидания, контекст и предсказания из высших ассоциативных областей мозга.

В отличие от жестких схем предиктивного кодирования, предложенная рекуррентная модель использует физиологически обоснованные принципы работы коры головного мозга. В ней нейроны сгруппированы в популяции, избирательно настроенные на определенные свойства стимулов (например, форму, ориентацию линий или категорию объектов).

Архитектура модели и механизмы интеграции

Модель функционирует за счет динамического баланса возбуждения и торможения внутри нейронных сетей. Когда нисходящий сигнал обратной связи (предсказание) поступает в определенную нейронную популяцию, он настраивает ее чувствительность еще до того, как появится реальный физический стимул.

Ключевые элементы структуры модели:

1. Селективные нейронные пулы (feature-tuned populations): Группы нейронов, каждая из которых специализируется на распознавании конкретных категорий объектов, таких как «лица» или «дома».

2. Рекуррентные связи (recurrent connections): Внутренние связи между нейронами, которые позволяют сигналу циркулировать внутри сети, усиливая значимые признаки и подавляя фоновый шум с помощью латерального торможения.

3. Синаптическая модуляция: Процесс, при котором нисходящие ожидания изменяют коэффициент усиления (gain) нейронов, делая их более чувствительными к ожидаемому стимулу.

Такой подход позволяет модели воспроизводить сложные когнитивные эффекты без необходимости введения гипотетических «нейронов ошибок предсказания», существование которых до сих пор вызывает споры среди физиологов.

Экспериментальная проверка: Поведенческие пороги

Для настройки и проверки работоспособности модели исследователи использовали данные поведенческого эксперимента, основанного на парадигме ожиданий на основе подсказок (cue-based expectation paradigm). В качестве стимулов использовались изображения двух категорий: «лица» и «дома».

Перед предъявлением зашумленного изображения участникам эксперимента давали визуальную подсказку (символ), которая с высокой вероятностью предсказывала, какая категория объектов появится на экране. В ходе теста измерялись поведенческие пороги распознавания — минимальный уровень контраста или четкости изображения, необходимый человеку для правильной идентификации объекта.

Результаты показали, что когда ожидания участников совпадали с предъявляемым стимулом (конгруэнтные условия), порог распознавания снижался — люди быстрее и точнее определяли, что именно изображено на картинке. Модель была обучена на этих индивидуальных поведенческих данных, успешно скопировав динамику человеческого восприятия.

Валидация через симуляцию фМРТ исследований

Главным триумфом разработанной рекуррентной модели стало то, что после настройки на поведенческих данных ее применили для симуляции активности мозга без изменения базовых параметров. Модель протестировали на протоколах трех независимых исследований с использованием функциональной магнитно-резонансной томографии (фМРТ — метод визуализации активности мозга путем измерения изменений в уровне насыщения крови кислородом, BOLD-сигнала).

Несмотря на то, что в этих исследованиях использовались разные визуальные стимулы, задачи и временные интервалы, рекуррентная модель смогла точно воспроизвести ключевые паттерны активности мозга:

• Снижение BOLD-сигнала при совпадении ожиданий: Модель успешно симулировала феномен, при котором ожидаемый стимул вызывает меньший суммарный нейронный ответ в специфических зонах коры (например, в извилине веретенообразного тела, отвечающей за распознавание лиц — FFA, или в парагиппокампальной области мест — PPA). Это происходит за счет того, что рекуррентная сеть быстрее приходит к стабильному состоянию, требуя меньше метаболической энергии.
• Повышение репрезентативного сходства: Модель показала, что предсказания делают нейронные репрезентации более четкими и менее подверженными шуму, буквально «очищая» зрительный сигнал от искажений.

Это доказывает универсальность предложенного механизма и подтверждает, что рекуррентная динамика локальных сетей способна связать субъективный поведенческий опыт с измеримыми показателями активности головного мозга.

Значение для науки и клинической практики

Разработка рекуррентной нейронной модели имеет огромное значение не только для фундаментальной науки, но и для понимания различных аспектов психического здоровья. Способность мозга балансировать между априорными ожиданиями и реальными сенсорными сигналами — это основа адекватного восприятия реальности.

Применение в области психического здоровья:

При многих психических расстройствах этот баланс нарушается. Например, при шизофрении вес нисходящих предсказаний может становиться чрезмерно высоким по сравнению с реальными сенсорными сигналами. В результате человек начинает воспринимать внутренние гипотезы мозга как объективную реальность, что приводит к возникновению галлюцинаций и бредовых состояний. И наоборот, при расстройствах аутистического спектра (РАС) мозг может уделять слишком много внимания малейшим изменениям в сенсорных сигналах, игнорируя контекстные предсказания, что ведет к сенсорной перегрузке.

Использование подобных математических и нейросетевых моделей позволяет клиницистам и ученым глубже понять механизмы этих нарушений на клеточном и системном уровнях, открывая новые пути для разработки методов ранней диагностики и терапевтического вмешательства.

Заключение

Исследование Бусе М. Урген и ее коллег представляет собой важный шаг вперед в понимании того, как работает наше восприятие. Новая рекуррентная нейронная модель успешно конкурирует с классическим предиктивным кодированием, предлагая биологически правдоподобный механизм интеграции наших ожиданий с сигналами внешнего мира. Она доказывает, что предсказания — это не просто инструмент экономии энергии мозга, а фундаментальная основа того, как мы видим, слышим и осознаем окружающую нас реальность.