Kortex und Kleinhirn: zwei Arbeiten über Bewegungslernen und veränderte Repräsentationen

Stabile Regelung bei verzögerter Rückkopplung ist schwierig, in der Robotik wie in der Neurowissenschaft. Klassische Kleinhirnmodelle erklären, wie sich eine Verzögerung durch Vorwärtsprädiktion ausgleichen lässt. Die schnellen Online-Korrekturen und die ebenso schnelle Anpassung, die biologische Systeme zeigen, erklären sie nicht.

Prädiktion plus Rückkopplung

Ana Carolina Filipe, Rui Ponte Costa und Cláudia Soares schlagen ein vom Kleinhirn inspiriertes Regelungsschema vor. Es verbindet multiplext vorhersagende Repräsentationen mit interner Rückkopplung. Der Kodierer teilt dabei kinematische Variablen und aufgabenrelevante Fehlersignale. So lässt sich die Bewegung trotz verzögerten Rückmeldesignals präzise korrigieren. Die Autoren zeigen: Führt man die Rückkopplung in die Kleinhirnschleife ein, beschleunigt das die Anpassung deutlich und verkürzt die Lernzeit um eine Größenordnung. Zugleich reichen bei Verzögerung Prädiktionen auf Basis eines einzelnen Signals nicht aus. Erst Multiplexing und Rückkopplung zusammen ergeben einen stimmigen Mechanismus für gleichzeitige Online-Regelung und schnelles Lernen.

Repräsentationswechsel ohne Stimulation

Die zweite Arbeit geht von einer anderen Frage aus. In der Neuropsychiatrie ist das Ziel oft nicht, die Hirnaktivität auszulesen, sondern sie zu verändern, etwa eine negative affektive Ladung abzuschwächen oder eine zu stark gefestigte Erinnerung. Das Team um Marco Rothernel schlägt einen auf maschinellem Lernen beruhenden Rahmen neuronaler Ersatzmodelle vor. Dieser Rahmen schlägt Kandidaten für Repräsentationsänderungen vor und prüft die vorhergesagten Wahrnehmungseffekte anhand von fMRI-Aufnahmen reizausgelöster Aktivität, ohne physische Stimulation. Das Schema verbindet fMRI-Dekodierung, tiefe generative Modellierung und Steuerung im latenten Raum mit Nebenbedingungen. Valenz und Erinnerbarkeit sind hier nur Arbeitsbeispiele.

Das Material stammte aus über 36.000 Bild-fMRI-Beobachtungen von vier intensiv untersuchten Teilnehmern des Natural Scenes Dataset. Auf die Person abgestimmte Modelle rekonstruierten die grobe generative Struktur aus dem visuellen Kortex. In der bidirektionalen Identifikationsaufgabe erreichten sie 0,79 bis 0,88 bei einem Zufallsniveau von 0,5. Abgestufte Perturbationen wurden als Bilder rekonstruiert und mit automatischen Bewertern sowie in menschlichen Bewertungen aus 7.200 Versuchen von 18 Teilnehmern beurteilt. Im Grundmodell verschob sich die Valenz von -0,61 auf +1,03 Standardabweichungen, die Erinnerbarkeit von -1,34 auf +1,45 Standardabweichungen. In den menschlichen Bewertungen verschob sich die Valenz in die vorhergesagte Richtung, mit einer mittleren Steigung von 0,038 Standardabweichungen pro Einheit des Koeffizienten, bei einem Konfidenzintervall von 0,003 bis 0,074, positiv bei 16 von 18 Teilnehmern. Die wahrgenommene Erinnerbarkeit änderte sich nicht zuverlässig.

Die Autoren betonen die Grenzen und verschweigen sie nicht: Die Übereinstimmung mit dem automatischen Bewerter war für die Valenz lediglich suggestiv und für die Erinnerbarkeit schwach. Extreme Perturbationen wichen vom ursprünglichen Reiz ab, sodass die beabsichtigte Veränderung gegen den Verlust an Treue abzuwägen ist. Das ist keine fertige Behandlungsmethode, sondern ein überprüfbares Werkzeug, um Kandidaten für künftige Neuromodulation zu entwerfen und behavioral zu testen.