Kognitionsforskare modellerar den mänskliga hjärnans inre funktioner med hjälp av datorsimuleringar, men många nuvarande modeller tenderar att vara felaktiga. Forskare vid Cognitive Neurorobotics Unit vid Okinawa Institute of Science and Technology Graduate University (OIST) har utvecklat en datormodell inspirerad av kända biologiska hjärnmekanismer, modellera hur hjärnan lär sig och känner igen ny information och sedan gör förutsägelser om inkommande sensoriska input.

Modellen kan göra det möjligt för robotar att "socialisera" genom att förutsäga och imitera varandras beteenden. Det kan också hjälpa till att avslöja den kognitiva grunden för Autism Spectrum Disorder.

"Vår kunskap om det förflutna informerar om våra förväntningar på nuet, sa professor Jun Tani, en medförfattare till den nya studien, publiceras i Neural beräkning . "Dock, vi möter ofta situationer som trotsar våra förväntningar. Vi utvecklar modeller som kan hantera oförutsägbarheten i vardagen."

Tani och hans medarbetare, tidigare OIST-postdoktor Ahmadreza Ahmadi, arbetade med en modell som kallas ett återkommande neuralt nätverk (RNN). Deras RNN bygger på prediktiv kodning, en teori som föreslår att hjärnan ständigt gör förutsägelser om inkommande sensorisk information som ljud och bilder. Fel – avvikelser mellan hjärnans förutsägelser och verkligheten – sprids genom lager av bearbetningsnätverk. Denna process av "backpropagation" hjälper RNN att anpassa sig till händelser som inträffar oregelbundet, så att den kan förutsäga framtida sensoriska input.

Mellan ordning och slumpmässighet

Effektiva neurala nätverk går över gränsen mellan ordning och slumpmässighet. För att optimera sin modell, forskarna introducerade en parameter som kallas "meta prior" i inlärningsprocessen. En inställning närmare en genererade en mer säker men komplex redogörelse för detaljerad sensorisk information, En inställning närmare noll minskade komplexiteten genom att tillåta mer osäkerhet.

Tani och hans team tränade sin RNN med sekventiella data som hade regelbundenhet samtidigt som de innehöll en viss slumpmässighet. De använde också sin modell för att programmera en robot att lära sig att imitera en annan robot som rörde sig i specifika mönster i slumpmässig ordning.

Forskarna fann att valet av ett mellanvärde för meta-förut - ett tal mellan noll och ett - gjorde det mest effektivt för RNN:erna att generera korrekta förutsägelser i båda fallen.

Förutom att studera social utveckling och kognition, forskargruppen hoppas kunna utforska potentialen i deras nätverk för modellering av autismspektrumstörning (ASD). Tani tror att personer med ASD tenderar att minimera fel genom att utveckla komplex intern representation av verkligheten, som kan modelleras med en hög inställning av metaprior. På grund av detta, individer med ASD kan sakna förmågan att generalisera, och föredrar ofta att interagera med samma miljö upprepade gånger för att undvika fel och obekanta sociala interaktioner.

Därför, forskarna tror att att hitta en mekanism i den mänskliga hjärnan som liknar meta-förut kan informera framtida ASD-terapier.