Новое исследование трансформирует способ построения ментальных карт окружающей среды искусственными агентами, приближая их к человеческому пространственному обучению. Исследователи разработали gradCSCG — полностью дифференцируемую версию алгоритма Clone-Structured Causal Graph (CSCG), который моделирует, как гиппокамп строит когнитивные карты на основе сенсорного опыта. В отличие от своего предшественника, gradCSCG может обрабатывать последовательности сырых изображений сквозным образом без необходимости в предопределенных символах.
Исследование
Под руководством Араша Никзада и коллег из нескольких институтов команда опубликовала результаты в июле 2026 года на arXiv (ID: 2607.12382). Оригинальный алгоритм CSCG, нормативная модель функции гиппокампа, учится интерпретируемой карте на основе зашумленных наблюдений, но требовал дискретного алфавита и использовал максимизацию ожидания, что затрудняло интеграцию с нейронными сетями. gradCSCG устраняет это препятствие, переформулируя CSCG как единый дифференцируемый модуль и объединяя его с векторно-квантованным вариационным автоэнкодером (VQ-VAE) для перцептивной обработки.
Мягкий прямой проход эмиссии позволяет цели изучения карты передаваться обратно в восприятие, в то время как механизмы балансировки потерь предотвращают коллапс модуля во время совместного обучения. Команда протестировала gradCSCG на символьных сеточных мирах, добившись восстановления топологии комнат из сильно зашумленных наблюдений, а также на последовательностях изображений MNIST, где каждое местоположение генерировало новое изображение цифры. В четырех сильно зашумленных средах сквозной конвейер выявил лежащий в основе граф смежности с высокой точностью и полнотой ребер, непосредственно по визуальному входу.
Почему это важно
Эта работа соединяет когнитивное моделирование и глубокое обучение, показывая, что алгоритмы, вдохновленные гиппокампом, могут служить композируемыми строительными блоками в современном ИИ. Для понимания человеческого познания это подкрепляет идею о том, что мозг может использовать дифференцируемые процессы, подобные тем, что в gradCSCG, для обучения структурированным картам на основе беспорядочных сенсорных данных. Практические последствия включают улучшенную навигацию для автономных агентов и потенциальные идеи о том, как работает пространственная память у людей.
Что вы можете сделать
Чтобы поддержать собственную пространственную память, попробуйте исследовать новые среды без GPS, практикуйте ментальное картографирование знакомых маршрутов и участвуйте в таких занятиях, как головоломки или навигационные игры, которые бросают вызов способностям вашего мозга к когнитивному картографированию.
Источник: arXiv q-bio.NC
Любопытны насчет своего мозга? Пройдите наш бесплатный адаптивный IQ-тест или попробуйте 306 уровней тренировки мозга.
