Нейробиологи из Принстона расшифровали, как мы принимаем решения

Представьте, что вы идете на работу. Мозг получает множество сенсорных стимулов — от гудков клаксонов до сигнала светофора — и на их основе генерирует поведенческие реакции: стоять, идти, пересечь дорогу.

Известно, что основная область мозга, ответственная за принятие решений — префронтальная кора. Работа этого эпицентра высшей нервной деятельности, расположенного прямо за глазами, многогранна и сложна.

Предыдущие исследования показали, что отдельные нейроны в ней могут активироваться только в ответ, например, на зеленый сигнал светофора, когда на переходе стоит машина. Как это в совокупности порождает решение, допустим, перейти дорогу в неположенном месте, ускользало от ученых.

В попытках разобраться в нейродинамике с поведенческими реакциями на выходе применялись разные математические подходы, каждый со своими ограничениями. Один из них сосредоточен на рекуррентных нейронных сетях, модели, состоящей из множества взаимосвязанных элементов. Рекуррентные нейросети можно обучить задачам принятия решений, но плотность внутренних связей делает их трудными для интерпретации.

В новом исследовании, опубликованном в Nature Neuroscience, предложена модель скрытой цепи, которую можно образно описать как «деревья вместо леса». В ней ведущие нейроны управляют низкоразмерными, как назвали их авторы, популяциями.

«Цель исследования заключалась в том, чтобы понять, действуют ли низкоразмерные механизмы внутри больших рекуррентных нейронных сетей», — пояснил специалист по вычислительной нейронауке Кристофер Лэнгдон из Принстонского университета.

Гипотезу проверили экспериментально: людям, обезьянам и компьютерам давали задание следить за фигурой и движущейся сеткой на экране, а они должны были дать ответ либо о цвете, либо о направлении движения. Были выявлены схожие механизмы подавления нерелевантных цепей и фокусировки на важных сигналах.

Выбор приоритетов в такой сети зависит от силы связей между различными скрытыми узлами. Это подтвердило ухудшение качества выполнение задачи при удалении определенных связей в цепи.

«Круто в нашей новой работе то, что мы показали, как можно перенести все те вещи, которые можно сделать с цепью, на большую сеть, — поделился Лэнгдон. — Когда вы строите маленькую нейронную цепь вручную, есть много вещей, которые можно сделать, чтобы убедиться, что вы ее понимаете. Вы можете играть со связями и возмущать узлы, и иметь некоторое представление о том, что должно произойти с поведением, когда вы играете с цепью таким образом».

Человеческий мозг намного сложнее, чем самая совершенная его модель. Тем не менее исследования будут продолжены. Их результаты будут полезны как в медицине — для лечения различных психических расстройств, сопровождающихся сложностями с принятием решений, от депрессии до синдрома дефицита внимания и гиперактивности, так и в разработке новых технологий ИИ, от голосовых помощников, таких как Алиса, до беспилотных автомобилей.