Современная нейронаука стремится раскрыть сложнейшие механизмы работы головного мозга, в частности, разобраться в слоях коры головного мозга — нейронной ткани, отвечающей за восприятие, обработку и интеграцию сенсорной информации. Одним из фундаментальных открытий последних лет стала концепция самообучения с предсказательной функцией, которая объясняет, как различные кортикальные слои взаимодействуют, обучаются и предсказывают поступающие сенсорные данные, что позволяет мозгу эффективно адаптироваться к окружающей среде. Кортикальная архитектура человека и многих млекопитающих устроена так, что состоит из шести слоев, где каждый обладает уникальной структурой и функциональной ролью. При этом большая часть информации поступает через слой 4 (L4), который передает её дальше в слой 2/3 (L2/3). L2/3, в свою очередь, интегрирует эту информацию с топ-даун сигналами — контекстными подсказками из высших отделов мозга — и формирует прогноз относительно будущих сенсорных сигналов.
Эти предсказания сравниваются с реальными входами, поступающими в слой 5 (L5), который получает прямые входы от латеральных ядер таламуса. Таким образом, существует два параллельных пути передачи сенсорной информации: классический через L4 и прямой через L5. Модель самообучения с предсказательной функцией описывает, как L2/3 использует отложенную информацию, полученную от L4, и одновременно обрабатывает контекстуальную информацию сверху, чтобы формировать предсказания по следующему входу. Информация, поступающая в L5, служит не только для прямого кодирования текущих сенсорных данных, но и в качестве обучающего сигнала — эталона, с которым сравниваются предположения L2/3. При расхождении между предсказаниями и реальными данными возникают ошибки предсказания, которые служат сигналами ошибки и ведут к пластическим изменениям в межслойных связях, что обеспечивает самообучение.
Одним из ключевых аспектов является временная задержка, возникающая при передаче сигналов от L4 к L2/3. Благодаря этой задержке, L2/3 получает информацию о прошлом состоянии сенсорных стимулов, что делает возможным формирование предсказания будущих событий. Без этого временного сдвига L2/3 и L5 кодировали бы почти идентичную текущую информацию, что лишало бы сеть способности к эффективному прогнозированию и обучению. Эффективность предложенной модели подтверждается результатами компьютерного моделирования, в которых сеть обучается предсказывать последовательности ориентированных Габоровых паттернов — классических стимулов, вызывающих активность в зрительной коре. L2/3 демонстрирует высокую точность предсказания ориентаций последующих стимулов, используя предыдущие входы и контекст, тогда как L5 эффективно кодирует текущие сенсорные данные.
Эти результаты демонстрируют, что специфическая архитектура коры с многослойной организацией и двумя параллельными путями сенсорной информации оптимально подходит для реализации самообучающегося предсказательного механизма. Кроме того, модель объясняет существование слоевой специфичности в уровне разреженности (спарсности) активности нейронов коры. В природе нейроны верхних слоев (L2/3) активируются гораздо реже и более выборочно, чем нейроны глубоких слоев (таких как L5). Предсказательная функция в модели побуждает L2/3 выделять только наиболее информативные и значимые признаки прошлой сенсорной информации для построения прогнозов, отфильтровывая шум и несущественные детали. В то же время, L5 кодирует более плотное и полное представление текущих входных данных.
Такие результаты совпадают с экспериментальными наблюдениями и дают гипотезу об эволюционной выгоде расширения количества нейронов в верхних слоях, что связано с улучшением прогностических способностей коры. Еще одной важной особенностью самообучения с предсказательной функцией является его повышенная устойчивость к шуму и частичной утрате входных данных. Модель показывает, что благодаря прогнозированию по контексту и предыдущим данным, L2/3 способен компенсировать потерю части информации, восстанавливая недостающие элементы визуальных стимулов, в то время как L5 просто отражает фактически полученные данные. Такая способность позволяет мозгу эффективно распознавать и обрабатывать сенсорные потоки в условиях реального мира со множеством помех и искажений. Проверка функциональности модели проводилась на примере сенсомоторных задач, связанных с восприятием движения и режимами поведения животного.
Например, при резком нарушении согласованности между визуальным потоком и движением животного (так называемом «Mismatch»), модель реплицирует особенности реакции нейронов разных слоев, зафиксированные при экспериментах на мышах. В частности, L2/3 показывает преимущественное возбуждение, тогда как L5 — подавление. Такие разностные реакции обусловлены различной ролью слоев: L2/3 формирует прогноз относительно ожидаемого визуального потока на основе двигательной активности, а L5 кодирует реальный визуальный сигнал. Расхождение прогнозов и реальности вызывает ошибочные сигналы, которые отражаются в активности соответствующих слоев. Также модель предусматривает роль обратных связей от L5 к L2/3, которые передают ошибочные сигналы обратно, обеспечивая корректировку прогнозов и стимулируя синаптическую пластичность.
Этот механизм соответствует известным, но не всегда интегрированным в модели, обратным путям кортикальной микросхемы. При этом даже случайные или разреженные обратные связи были достаточны для успешного обучения, что указывает на устойчивость и гибкость биологических нейросетей. Понимание слоя-специфических функций и взаимодействий в коре открывает множество перспектив для исследования более сложных когнитивных процессов, таких как обучение, внимание, восприятие и принятие решений. Предложенная модель создает мост между новыми достижениями в области искусственного интеллекта — самообучающимися нейронными сетями — и биологическими механизмами в мозге, что позволяет применять современные алгоритмические концепции для понимания нейронных вычислений. В будущем важной задачей станет развитие моделей, учитывающих более длинные временные зависимости, интеграцию информации в пространственно-иерархических сетях и вовлечение других типов нейронов и синапсов.
Кроме того, экспериментальные исследования, в том числе адресные манипуляции слоями коры и регистрация активности на уровне отдельных нейронов, смогут проверить ключевые прогнозы теории. Более глубокое понимание принципов самообучения с предсказательной функцией в коре головного мозга может способствовать разработке новых подходов в нейроинформатике, интеллектуальных системах и лечении нейродегенеративных и психических заболеваний, где нарушены механизмы пластичности и обработки сенсорных данных. Таким образом, самообучение с предсказательной функцией обеспечивает необходимый механизм для разделения ролей между слоями коры, формируя слой-специфические характеристики активности и обработки информации. Это фундаментальный шаг к раскрытию того, как мозг обучается, адаптируется и предсказывает окружающий мир, используя встроенные принципы глубинного обучения и коррекции ошибок.
