Исследователи обнаружили мозговой механизм, лежащий в основе «вспышек интуиции»

Несмотря на десятилетия исследований, механизмы, лежащие в основе быстрых вспышек озарения, меняющих восприятие человеком окружающего мира, так называемое «однократное обучение», остаются неизвестными. Загадочным типом однократного обучения является перцептивное обучение, при котором однократное наблюдение за чем-либо кардинально меняет нашу способность распознавать это снова.

Новое исследование, проведенное учёными из NYU Langone Health, посвящено моментам, когда мы впервые распознаем размытый объект, — первобытной способности, которая позволяла нашим предкам избегать угроз.

В новой работе , опубликованной в журнале Nature Communications, впервые точно определена область мозга, называемая высокоуровневой зрительной корой (HLVC), как место, где осуществляется доступ к «априоритным» изображениям — изображениям, увиденным в прошлом и сохраненным в памяти, — что позволяет осуществлять однократное перцептивное обучение.

«Наша работа выявила не только места хранения предварительных знаний, но и задействованные в этом процессе вычисления в головном мозге», — сказал один из ведущих авторов исследования, доктор философии Бию Хе, доцент кафедр неврологии, нейронауки и радиологии Медицинской школы имени Гроссмана Нью-Йоркского университета.

Важно отметить, что предыдущие исследования показали, что у пациентов с шизофренией и болезнью Паркинсона наблюдается нарушение однократного обучения, при котором ранее сохраненные априорные знания подавляют то, на что человек смотрит в данный момент, вызывая галлюцинации.

«В результате этого исследования была разработана теория, поддающаяся прямой проверке, о том, как априорные представления проявляются во время галлюцинаций, и сейчас мы изучаем соответствующие мозговые механизмы у пациентов с неврологическими расстройствами, чтобы выяснить, что именно идёт не так», — добавил доктор Хе.

Исследовательская группа также изучает вероятные связи между мозговыми механизмами, лежащими в основе зрительного восприятия, и более известным типом «момента озарения», когда мы понимаем новую идею.

Более чёткое изображение

В рамках исследования команда доктора Хе изучала изменения в мозговой активности, возникающие при показе людям изображений Муни — размытых фотографий животных и предметов. В частности, участникам исследования показывали размытые изображения одного и того же объекта, а затем его чёткую версию. В исследовании доктора Хе 2018 года , посвященном этому процессу, после просмотра чёткой версии (и прохождения однократного обучения) испытуемые стали вдвое лучше распознавать изображения, поскольку эксперимент заставлял их использовать свои накопленные предварительные знания.

Исследователи «сделали снимки» мозговой активности во время предварительного доступа с помощью функциональной магнитно-резонансной томографии (фМРТ), которая измеряет активность клеток мозга, отслеживая кровоток к активным клеткам. Однако сила сигналов вдоль нервных путей (пластичность) точно настраивается в структурных пространствах (синапсах) между клетками мозга, а фМРТ может измерять активность только внутри клеток.

По этой причине исследователи объединили функциональную МРТ с поведенческими тестами, используя изображения Муни, электроэнцефалографию (ЭЭГ) и модель, основанную на машинном обучении — разновидность искусственного интеллекта — для выявления априорных явлений в HLVC.

Чтобы найти механизм однократного перцептивного обучения, исследовательская группа сначала определила, какая информация закодирована в сигнальных изменениях, когда предыдущий доступ улучшает распознавание изображений. Для этого команда изменяла размер изображений, их положение на странице и ориентацию (путём поворота) и фиксировала влияние каждого изменения на показатели распознавания изображений.

Данное поведенческое исследование показало, что изменения размера изображения не влияли на однократное обучение, в то время как вращение изображения или изменение его положения частично снижали эффективность обучения. Результаты свидетельствуют о том, что перцептивные априорные знания кодируют ранее увиденные паттерны, но не более абстрактные понятия (например, породу собаки на изображении).

Затем команда создала статистические модели, которые фиксировали паттерны активности клеток головного мозга с помощью фМРТ во время предварительного доступа, и обнаружила, что только известные паттерны нейронного кодирования в высокоуровневой зрительной коре соответствовали свойствам априорных данных, выявленных в ходе поведенческого исследования. Авторы также исследовали временные характеристики изменений активности с помощью внутричерепной электроэнцефалографии (ЭЭГ), попросив пациентов, уже проходящих мониторинг ЭЭГ во время нейрохирургического лечения, выполнить короткое перцептивное задание.

iEEG собирает данные с электродов, расположенных на ткани мозга, для измерения быстро меняющихся сигнальных паттернов, которые невозможно измерить с помощью фМРТ. HLVC показал самые ранние изменения силы нейронной сигнализации как раз в тот момент, когда происходило предварительное распознавание объектов.

В качестве заключительного шага исследовательская группа создала преобразователь изображений — модель искусственного интеллекта, которая находит закономерности в фрагментах изображения и заполняет недостающую информацию на основе вероятностей.

Подобно тому, как было обнаружено, что HLVC добавляет предварительный вес к информации, поступающей от глаз, модель ИИ хранила накопленную информацию об изображениях (априорные данные) в одном модуле, а затем использовала эти данные для лучшего распознавания поступающих изображений в другом модуле. После обучения на достаточном количестве изображений модель нейронной сети достигла возможности обучения за один пример, аналогичной той, что наблюдается у людей, и лучше, чем другие ведущие модели ИИ без сопоставимого модуля предварительных данных.

«Хотя за последнее десятилетие ИИ добился значительных успехов в распознавании объектов, ни один инструмент пока не способен к однократному обучению, подобному человеческому», — добавил соавтор исследования Эрик Оэрманн, доктор медицинских наук, доцент кафедр нейрохирургии и радиологии в медицинском центре NYU Langone. «Теперь мы ожидаем разработки моделей ИИ с человекоподобными механизмами восприятия, которые смогут классифицировать новые объекты или обучаться новым задачам с небольшим количеством или без обучающих примеров. Это ещё одно свидетельство растущей конвергенции между вычислительной нейронаукой и достижениями в области ИИ».

Контакты, администрация и авторы