At forvente det uventede:En ny model for kognition

Kognitive videnskabsmænd modellerer den menneskelige hjernes indre funktion ved hjælp af computersimuleringer, men mange nuværende modeller har en tendens til at være unøjagtige. Forskere i Cognitive Neurorobotics Unit ved Okinawa Institute of Science and Technology Graduate University (OIST) har udviklet en computermodel inspireret af kendte biologiske hjernemekanismer, modellering af, hvordan hjernen lærer og genkender ny information og derefter foretager forudsigelser om indkommende sensoriske input.

Modellen kan gøre robotter i stand til at "socialisere" ved at forudsige og efterligne hinandens adfærd. Det kan også hjælpe med at afsløre den kognitive underbygning af autismespektrumforstyrrelser.

"Vores viden om fortiden informerer om vores forventninger til nutiden, " sagde professor Jun Tani, en medforfatter til den nye undersøgelse, udgivet i Neural beregning . "Imidlertid, vi støder ofte på situationer, der trodser vores forventninger. Vi udvikler modeller, der kan håndtere uforudsigeligheden i hverdagen."

Tani og hans samarbejdspartner, tidligere OIST postdoc-stipendiat Ahmadreza Ahmadi, arbejdet med en model kaldet et recurrent neural network (RNN). Deres RNN trækker på prædiktiv kodning, en teori, der foreslår, at hjernen konstant laver forudsigelser om indkommende sanseinformation som lyde og billeder. Fejl – uoverensstemmelser mellem hjernens forudsigelser og virkeligheden – forplantes gennem lag af behandlingsnetværk. Denne proces med "backpropagation" hjælper RNN med at tilpasse sig begivenheder, der forekommer uregelmæssigt, giver den mulighed for at forudsige fremtidige sensoriske input.

Mellem orden og tilfældighed

Effektive neurale netværk spænder over grænsen mellem orden og tilfældighed. For at optimere deres model, forskerne introducerede en parameter kaldet en "metaforud" i læringsprocessen. En indstilling tættere på én genererede en mere sikker, men kompleks redegørelse for detaljeret sensorisk information, hvorimod en indstilling tættere på nul reducerede kompleksiteten ved at tillade mere usikkerhed.

Tani og hans team trænede deres RNN med sekventielle data, der havde regelmæssighed, mens de også indeholdt en vis tilfældighed. De brugte også deres model til at programmere en robot til at lære at efterligne en anden robot, der bevægede sig i bestemte mønstre i tilfældige rækkefølger.

Forskerne fandt ud af, at valget af en mellemværdi af meta-foruden - et tal mellem nul og en - gjorde det til det mest effektive for RNN'erne at generere nøjagtige forudsigelser i begge tilfælde.

Udover at studere social udvikling og kognition, forskerholdet håber at udforske potentialet i deres netværk til modellering af autismespektrumforstyrrelser (ASD). Tani mener, at mennesker med ASD har en tendens til at minimere fejl ved at udvikle kompleks intern repræsentation af virkeligheden, som kan modelleres med en høj indstilling af meta prior. På grund af dette, personer med ASD kan mangle evnen til at generalisere, og foretrækker ofte at interagere med det samme miljø gentagne gange for at undgå fejl og ukendte sociale interaktioner.

Derfor, forskerne mener, at det at finde en mekanisme i den menneskelige hjerne, der ligner meta-forud, kan informere fremtidige ASD-terapier.