Cognitieve wetenschappers modelleren de innerlijke werking van het menselijk brein met behulp van computersimulaties, maar veel huidige modellen hebben de neiging om onnauwkeurig te zijn. Onderzoekers van de Cognitive Neurorobotics Unit van de Okinawa Institute of Science and Technology Graduate University (OIST) hebben een computermodel ontwikkeld dat is geïnspireerd op bekende biologische hersenmechanismen, modelleren hoe de hersenen nieuwe informatie leren en herkennen en vervolgens voorspellingen doen over binnenkomende sensorische input.

Het model kan robots in staat stellen om te 'socialiseren' door elkaars gedrag te voorspellen en te imiteren. Het kan ook helpen om de cognitieve onderbouwing van een autismespectrumstoornis te onthullen.

"Onze kennis van het verleden bepaalt onze verwachtingen voor het heden, " zei professor Jun Tani, een co-auteur van de nieuwe studie, gepubliceerd in Neurale berekening . "Echter, we komen vaak situaties tegen die onze verwachtingen tarten. We ontwikkelen modellen die kunnen omgaan met de onvoorspelbaarheid van het dagelijks leven."

Tani en zijn medewerker, voormalig OIST postdoctoraal fellow Ahmadreza Ahmadi, werkte met een model dat een recurrent neuraal netwerk (RNN) wordt genoemd. Hun RNN is gebaseerd op voorspellende codering, een theorie die stelt dat de hersenen voortdurend voorspellingen doen over binnenkomende zintuiglijke informatie zoals geluiden en beelden. Fouten - discrepanties tussen de voorspellingen van de hersenen en de werkelijkheid - worden verspreid via lagen van verwerkingsnetwerken. Dit proces van "terugpropagatie" helpt de RNN zich aan te passen aan onregelmatige gebeurtenissen, waardoor het toekomstige sensorische input kan voorspellen.

Tussen orde en willekeur

Effectieve neurale netwerken bevinden zich op de grens tussen orde en willekeur. Om hun model te optimaliseren, de onderzoekers introduceerden een parameter genaamd een "meta prior" in het leerproces. Een omgeving die dichter bij de één lag, genereerde een zekerder maar complexer verslag voor gedetailleerde zintuiglijke informatie, terwijl een instelling dichter bij nul de complexiteit verminderde door meer onzekerheid toe te staan.

Tani en zijn team trainden hun RNN met sequentiële gegevens die regelmaat hadden en ook enige willekeur bevatten. Ze gebruikten hun model ook om een ​​robot te programmeren om te leren een andere robot te imiteren die in willekeurige volgorde in specifieke patronen bewoog.

De onderzoekers ontdekten dat het kiezen van een tussenwaarde van de meta prior - een getal tussen nul en één - het voor de RNN's het meest effectief maakte om in beide gevallen nauwkeurige voorspellingen te genereren.

Naast het bestuderen van sociale ontwikkeling en cognitie, het onderzoeksteam hoopt het potentieel van hun netwerk voor het modelleren van autismespectrumstoornis (ASS) te onderzoeken. Tani gelooft dat mensen met ASS de neiging hebben om fouten te minimaliseren door een complexe interne representatie van de werkelijkheid te ontwikkelen, die kan worden gemodelleerd met een hoge instelling van de meta prior. Hierdoor, personen met ASS hebben mogelijk niet het vermogen om te generaliseren, en geven er vaak de voorkeur aan om herhaaldelijk met dezelfde omgeving om te gaan om fouten en onbekende sociale interacties te vermijden.

Daarom, de onderzoekers geloven dat het vinden van een mechanisme in het menselijk brein dat lijkt op de meta prior toekomstige ASS-therapieën kan informeren.