Новое исследование Тамаша Шпишака и Карла Фристона показывает, что нейронные сети аттракторов — ключевая особенность динамики мозга — могут самоорганизовываться из принципа свободной энергии, фундаментальной теории работы мозга. Опубликованное на arXiv в мае 2025 года и обновленное в мае 2026 года, исследование демонстрирует, что такие сети автоматически обучаются ортогонализировать состояния аттракторов, максимизируя хранение информации и обобщение.
Исследование
Команда применила принцип свободной энергии к универсальному разбиению случайных динамических систем. Они вывели, что сети аттракторов возникают без явных правил обучения, следуя биологически правдоподобным механизмам вывода и обучения. Математически сети отдают предпочтение почти ортогональным представлениям аттракторов, которые эффективно охватывают входное подпространство. Это увеличивает взаимную информацию между скрытыми причинами и сенсорными данными. Моделирование подтвердило, что случайное предъявление данных приводит к симметричным разреженным связям, в то время как последовательные данные порождают асимметричные связи и неравновесную динамику — обобщение машин Больцмана.
Почему это важно
Эти результаты объединяют самоорганизацию в нейронных сетях с байесовским активным выводом. Для читателей это означает, что мозг естественным образом структурирует воспоминания, избегая их перекрытия, улучшая запоминание и обобщение. Понимание этого может вдохновить на создание лучших архитектур ИИ и прояснить, как наш собственный мозг оптимизирует обучение.
Что вы можете сделать
Чтобы поддержать естественное обучение вашего мозга, старайтесь находиться в разнообразной среде и выполнять последовательные задачи, способствующие формированию ортогональных воспоминаний. Регулярная практика с интервалами помогает закрепить различные нейронные паттерны.
Источник: arXiv q-bio.NC
Любопытно узнать свой мозг? Пройдите наш бесплатный адаптивный IQ-тест или попробуйте 306 уровней тренировки мозга.
