Нове дослідження Тамаша Спішака та Карла Фрістона виявляє, що нейронні мережі атракторів — ключова риса динаміки мозку — можуть самоорганізовуватися на основі принципу вільної енергії, фундаментальної теорії мозкової діяльності. Опублікована на arXiv у травні 2025 року та оновлена у травні 2026 року, робота показує, що такі мережі автоматично навчаються ортогоналізувати стани атракторів, максимізуючи зберігання інформації та узагальнення.
Дослідження
Команда застосувала принцип вільної енергії до універсального розбиття випадкових динамічних систем. Вони вивели, що мережі атракторів виникають без явних правил навчання, натомість слідуючи біологічно правдоподібній динаміці висновку та навчання. Математично мережі віддають перевагу майже ортогональним представленням атракторів, які ефективно покривають підпростір вхідних даних. Це підвищує взаємну інформацію між прихованими причинами та сенсорними даними. Симуляції підтвердили, що випадкове представлення даних дає симетричні, розріджені зв'язки, тоді як послідовні дані створюють асиметричні зв'язки та нерівноважну динаміку — узагальнення машин Больцмана.
Чому це важливо
Ці висновки об'єднують самоорганізацію в нейронних мережах з байєсівським активним висновком. Для читачів це означає, що мозок природно структурує спогади, уникаючи перекриттів, покращуючи запам'ятовування та узагальнення. Розуміння цього може надихнути на кращі архітектури ШІ та прояснити, як наш власний мозок оптимізує навчання.
Що ви можете зробити
Щоб підтримати природне навчання вашого мозку, наражайте себе на різноманітні середовища та послідовні завдання, які сприяють ортогональному формуванню пам'яті. Послідовна, розподілена практика допомагає закріпити різні нейронні патерни.
Джерело: arXiv q-bio.NC
Цікавитесь власним мозком? Пройдіть наш безкоштовний адаптивний IQ тест або спробуйте 306 рівнів тренування мозку.
