Augen und Ohren schaufeln eine Unzahl an Daten in unser Gehirn. Sie werden gewichtet und bewertet, bevor auf ihrer Grundlage Entscheidungen stattfinden. Sie können aber auch zusammengefasst als ganzes Phänomen erwünscht, abgelehnt oder neutral behandelt werden. Bisher dachte man, dass sich dazu ganze Gruppen an Neuronen spezialisieren für eine effiziente Reizverarbeitung. Das Bild wandelt sich: Theoretische Neurowissenschaftler deuten auf Basis neuer Experimente in eine integrierte Richtung der Kognitionsforschung. Nicht optimierte Reizverarbeitung einzelner spezialisierter Bereiche sondern eher durchschnittliches, aber gemeinsames Verarbeiten verschiedener Bereiche auf Basis von Konsistenz sichert gute Entscheidungen ab.
Über viele Jahre haben Neurowissenschaftler gedacht, dass bei der Verarbeitung von Informationen besonders auf natürlich vorkommende Umweltreize optimierte Neuronen die Aufgabe einer effizienten Informationsverarbeitung gewährleisten: Je besser der Filter auf natürliche Umweltbilder wie Raubtiere, mögliche Partner oder Essbares angepasst ist, desto präziser die folgende Entscheidung (Efficient coding hypothesis, Barlow, 1961) Neue Studien zeigen aber, dass erfolgreiche Entscheidungen mit einer schlechteren Verarbeitung von Umweltinformation einher gehen, dafür aber auf Assoziationsketten im Gehirn begründet zu sein scheinen, die widerspruchsfreie Urteile begründen. Bessere Information ist also nicht direkt verbunden mit besseren Entscheidungen!
Versuch’s mal mit Konsistenz
Mäuse mussten in einem Gang links und rechts Signale zählen und dann am Ende auf die Seite abbiegen, die die meisten visuellen Reize enthielt. Die komplexe Aufgabe bestand also darin, zwei Mengen zu vergleichen und sich dann für die Seite mit der höchsten Anzahl an visuellen Signalen zu entscheiden (Valente et al., 2021). Joel Zylberberg und seine Kollegin Alex Gayco-Gajic beschreiben in Nature Neuroscience dieses Experiment. Offenbar gehen den richtigen Entscheidungen eher suboptimale visuelle Verarbeitungsprozesse vorher. Suboptimal deswegen, weil korrekte Entscheidungen mit uneindeutigen Informationen (Rauschen) verarbeitet wird. Die richtige Entscheidung muss also auch auf etwas anderem beruhen als eindeutigen Farbsignalen. Die These von Valente und Kolleginnen war: intern widerspruchsfreie Urteile (consistent judgements). Um dies Idee zu testen, dekodierten sie visuelle Reize auf der Basis der Aktivitäten unterschiedlicher Subpopulationen von aufgezeichneten Neuronen. Die Populationskodierung ist eine Methode zur Repräsentation von (visuellen) Reizen durch die Nutzung der gemeinsamen Aktivitäten einer Anzahl von Neuronen. Dabei sind die Antworten eines Neurons verteilt über mehrere Eingaben, und die Antworten vieler Neuronen können kombiniert werden, um einen eindeutigen Wert zum jeweiligen Umweltreiz zu bestimmen. Dabei wird unterschieden zwischen diskriminierbaren (erkennbaren) Reizen und Rauschen, also Sinnesdaten, die nicht eindeutig interpretierbar sind. Valente und Forschende zeigen, dass Rauschkorrelationen die Information in der Kodierungsphase einschränken, aber sie verbessern auch die Konsistenz der neuronalen Codes, was das Auslesen insgesamt verbessert. Der Kompromiss zwischen diesen beiden Effekten definiert den Gesamteffekt von Korrelationen auf die Aufgabenleistung. Auffallend ist vor allem, dass Rauschkorrelationen die Aufgabenleistung verbessern können, obwohl sie die Informationskapazität einer neuronalen Population einschränken.
Die Forschenden fanden heraus, dass die Verhaltensleistung bei Versuchen mit höherer Dekodierkonsistenz über alle neuronalen Subpopulationen hinweg höher war. Das konnte auch für die Verarbeitung von akustischen Reizen gezeigt werden.
Diese Ergebnisse erweitern unser Wissen über Entscheidungsfindung mit einer neuen Schlüsselvariable: Zusätzlich zu den Informationen über den sensorischen Stimulus profitieren effektive Entscheidungen vom internen Konsens, sowohl über die Dauer als auch über die unzähligen Neuronen in den verschiedenen Regionen des Gehirns hinweg. Die Präzision eines hoch spezialisierten Neuronenverbundes allein, lieferte nicht genug Entscheidungskraft: Das effiziente Erkennen des Muster reicht nicht.
Das Entfernern von Korrelationen verbessert die Entscheidungen
Diese Ergebnisse sind überraschend, weil sie im Widerspruch zur Hypothese der effizienten Kodierung stehen. Intuitiv entsteht interne Konsistenz, wenn es eine hohe Korrelation zwischen neuronalen Subpopulationen gibt. Jahrzehntelange Forschung hat jedoch gezeigt, dass dieselben Korrelationen die Menge der sensorischen Informationen, die für eine Entscheidung zur Verfügung stehen, erheblich einschränken können6,7. Valente et al. demonstrierten diesen letzten Punkt, indem sie zeigten, dass sensorische Informationen genauer dekodiert werden konnten, wenn Korrelationen künstlich aus ihren aufgezeichneten Daten entfernt wurden. Entlang der Theorie der effizienten Kodierung sollte man erwarten, dass informationslimitierende Korrelationen geringer sein sollen, wenn die Mäuse die richtige Antwort erhielten. Valente et al. fanden das Gegenteil: Diese informationslimitierenden Korrelationen waren bei korrekten Versuchen stärker. Limitierungen von Mustern scheint also einen positiven Einfluss auf korrekte Entscheidungen zu haben, was auch Zylberberg und Kollegen bereits 2017 beobachtet hatten.
Die Ergebnisse von Valente und Kolleginnen betonen die Bedeutung der Leistung in einer Aufgabe als Basis für korrekte Entscheidungen. Andere Ziele (wie die Optimierung oder gar Maximierung sensorischer Informationen) sind zweitrangig. Interne Konsistenz dient eher als Mechanismus zur Kontrolle gegen Fehlentscheidungen auf Kosten einer optimalen Kodierung sensorischer Informationen. Das bedeutet im Alltag, dass weniger Zeit für Informationsrecherche und mehr Zeit für das Verstehen einer Aufgabe aufgewendet werden sollte, damit hinterher relevante konsistent Muster und Assoziationen nicht durch besonders viele, detailierte oder passend erscheinede Informationen überlagert werden.
Und nun?
Das bedeutet wahrscheinlich, dass genau die Korrelationen, von denen Forschende bisher annahmen, dass sie für die Kodierung sensorischer Informationen eher schädlich sind, genutzt werden könnten, um diese Informationen weiterzuleiten und so intern konsistente Urteile anzuzeigen. Die Ergebnisse dieser Forschung unterstreicht, dass es wichtig es ist, die Aufgabenleistung als Ganzes zu betrachten – vom sensorischen Input bis zum Verhaltensoutput – anstatt die Eigenschaften einer einzelner kortikalen Regionen isoliert zu betrachten. Das sollte für weitere Untersuchungen die Folge haben, dass auch die Forschung, die sich mit Informationsdetails beschäftigt, weniger hilfreich für die Entscheidungsfindung ist, als integrierte Forschungsansätze, wo beispielsweise grafische Informationen zusammen mit Aufgabentypen und/oder Domänenkontext miteinander verglichen werden in bezug auf Hypothesen über gute Entscheidungen. Genau da besteht jetzt viel Untersuchungsbedarf, um die These über Korrelationen experimentell zu manipulieren. Genau das wird auch gerade an anderer Stelle propagiert: Denn das spiegelt einen größeren neueren Vorstoß in den systemorierentierten Neurowissenschaften wieder, die sich aktuell weiter entwickeln zu einer ganzheitlicheren embodied cognition. Beschleunigt durch neue Forschungsergebnisse wie die Entdeckung von crossmodalen und motorischen Informationen in primären sensorischen Regionen, neue experimentelle Methoden für multiregionale Aufzeichnungen und vor allem das Interesse an der für mich spannendsten Richtung: der verhaltensorientierten Neurowissenschaft. Bei dieser integrierten Perspektive geht es nicht darum, die den einzelnen Hirnregionen zugrunde liegenden Prinzipien isoliert zu untersuchen (z. B. Informationsoptimierung), sondern zu verstehen, wie das Gehirn als Ganzes eine Aufgabe ausführt, und zwar durch das Zusammenspiel der verschiedenen beteiligten Regionen. Das könnten auch die ersten Schritte sein, um den vielen Spielarten von artificial cognition Integrationsmodelle zu liefern, die die bisher getrennten Projekte und Forschungsrichtungen verbinden könnten. In der Folge wäre Forschung zu machine behavior in der Lage, Prozesspfade oder zumindest thematische Komplexe insgesamt zu prüfen.
Cayco-Gajic, N.A., Zylberberg, J.(2021) Good decisions require more than information. Nature Neuroscience 24, 903–904. https://doi.org/10.1038/s41593-021-00883-9
Panzeri, S., Harvey, C. D., Piasini, E., Latham, P. E., & Fellin, T. (2017). Cracking the Neural Code for Sensory Perception by Combining Statistics, Intervention, and Behavior. Neuron, 93(3), 491–507. https://doi.org/10.1016/j.neuron.2016.12.036
Valente, M., Pica, G., Bondanelli, G. et al. (2021)Correlations enhance the behavioral readout of neural population activity in association cortex. Nature Neuroscience 24, 975–986. https://doi.org/10.1038/s41593-021-00845-1
Zylberberg, J., Pouget, A., Latham, P. E., & Shea-Brown, E. (2017). Robust information propagation through noisy neural circuits. PLoS computational biology, 13(4), e1005497. https://doi.org/10.1371/journal.pcbi.1005497