هندسة تجمعات الخلايا العصبية والترميز الأمثل للمهام ذات البنية الكامنة المشتركة

كيف يكتشف الدماغ قواعد خفية في عالم مليء بالضوضاء

يومياً، نميز الأنماط بسهولة: الضوء الأحمر يعني التوقف، الشارع المزدحم يعني التمهل، ووضعية معينة تشير إلى أن حيواناً أليفاً على وشك القفز. وراء هذه المهارات تكمن قدرة الدماغ على الكشف عن البنية الخفية، أو «المتغيرات الكامنة»، في العالم وإعادة استخدامها عبر مهام متعددة. تسأل هذه الورقة سؤالاً يبدو بسيطاً لكنه عميق: ما الذي يجعل نمطاً من نشاط مجموعة الخلايا العصبية أفضل من الآخر في حل العديد من المهام المرتبطة بسرعة ودقة؟

المقابض الخفية وراء رموز عصبية

يدرس المؤلفون النشاط العصبي على مستوى التجمعات، معتبرين إطلاق الكثير من الخلايا كنقاط في فضاء عالي الأبعاد. يركزون على مهام تشترك في مجموعات من المتغيرات الكامنة—على سبيل المثال، شكل الجسم، حجمه وموقعه، أو موقع الحيوان وسرعته. تقوم عصبون أو دائرة لاحقة بقراءة هذه الأنماط بقواعد خطية بسيطة، تشبه رسم مستوى عبر سحابة النقاط لفصل «الفئة أ» عن «الفئة ب». بدلاً من محاكاة كل خلية بالتفصيل، يستنتج المؤلفون صيغة تحليلية تتنبأ بمدى تعميم مثل هذا القارئ على أمثلة جديدة، استناداً إلى هندسة النشاط العصبي. ومن اللافت أنهم يجدون أن الأداء يتحكم فيه أربعة إحصاءات فقط تلتقط مدى انعكاس الخلايا للمتغيرات الكامنة، مدى انفصال المتغيرات عن بعضها، كيف تُرتّب الضوضاء، وعدد الأبعاد الفعالة التي يحتلها النشاط.

أربعة مكونات بسيطة للتعميم الجيد

المكوّن الأول هو الارتباط العام بين الخلايا العصبية الفردية والمتغيرات الكامنة: عندما تسبب تغييرات صغيرة في المتغيرات الخفية تحوّلات واضحة في استجابة الخلايا، يحصل القارئ اللاحق على إشارة أقوى. المكوّنان الثاني والثالث يصفان «العزل» أو التفكيك: من المثالي أن تُشفّر المتغيرات المختلفة على امتدادات مستقلة، وأن تنحرف الضوضاء العشوائية في اتجاهات متعامدة مع محاور الإشارة هذه. هذا يسهل على حد فاصل خطي واحد أن ينتقل عبر مهام متعددة تعتمد جميعها على نفس البنية الخفية. المكوّن الرابع هو البُعدية الفعالة، التي تلتقط عدد الاتجاهات في فضاء النشاط التي يستخدمها التجمع فعلاً. تميل البُعدية الأعلى إلى تخفيف الضوضاء عبر مزيد من الاتجاهات، مما يحسّن الموثوقية، لكنها يجب أن تتوازن مع وضوح محاذاة الإشارة مع المتغيرات ذات الصلة سلوكياً.

اختبار النظرية في أدمغة صناعية وبيولوجية

للتحقق من نظريتهم، يطبّق المؤلفون أولاً الصيغة على شبكات عصبية صناعية. في شبكات تعددية الطبقات المدربة على العديد من مشاكل التصنيف المرتبطة، وفي شبكة عميقة مدرّبة على تتبّع أجزاء جسم الفأر في فيديو، يقيسون الكميات الهندسية الأربع في كل طبقة. الأخطاء المتوقعة تطابق عن كثب أداء القراءات البسيطة المدربة على تلك التمثيلات الداخلية. ثم ينتقلون إلى بيانات حقيقية من الدماغ. تُظهر تسجيلات من مناطق بصرية لدى ماكاك أن الهندسة تتطوّر من العين وحتى قشرة الرؤية العليا بطريقة تقلّل خطأ التعميم: تزداد الارتباطات مع المتغيرات الكامنة، وتدفع المتغيرات المزعجة بعيداً عن اتجاهات الإشارة وتُعاد تشكيل أشكال معينة من البُعدية. في تجارب على جرذان تتعلم مهمة تبديل مكاني، يتحسّن كل من السلوك وأداء القارئ على مدى أيام التدريب، في حين تتغير هندسة نشاط الحُصين وقشرة ما قبل الجبهة بطرق منهجية تعكس توقعات النظرية.

كيف يعيد التعلم كتابة الفضاء العصبي

لأن صياغتهم تربط الهندسة مباشرة بالأداء، يمكن للمؤلفين أن يسألوا كيف ينبغي أن يبدو «الترميز الأمثل» في مراحل مختلفة من التعلم. في البداية، عندما تتوفر أمثلة تدريب قليلة، تكون الرموز الأفضل منخفضة البُعد ومحاذية بقوة مع المتغيرات الكامنة الأكثر معلوماتية، ضاغطة فعلياً على الميزات الأقل فائدة. مع تراكم الخبرة، يتحول الحل الأمثل: يتمدد تمثيل البنية المهمة إلى مزيد من الأبعاد، ويتراخى الارتباط الضيق بين خلية مفردة ومتغير فردي فعلياً. بعبارة أخرى، يبدو أن الدماغ يبدأ بمخطط مركّز منخفض البُعد للمهمة ثم يملأ تدريجياً خريطة أكثر ثراءً وتوزيعاً أثناء التعلم.

لماذا هذا مهم لفهم الأدمغة والآلات

للقارئ غير المتخصص، الرسالة الأساسية هي أن نشاط التجمعات العصبية ليس مجرد تشابك من النبضات؛ له شكل، وهذا الشكل مهم. من خلال تحديد أربع خصائص هندسية قابلة للقياس تتحكم في مدى نجاح القراءات البسيطة في التعميم عبر مهام مرتبطة، يقدم هذا العمل لغة مشتركة لمقارنة الشبكات العصبية البيولوجية والصناعية. ويقترح أنه مع تعلم الحيوانات والآلات، تعيد تنظيم نشاطها الداخلي من رموز مدمجة ومحاذية بشدة إلى رموز ذات بُعدية أعلى ومفصّلة أفضل تحافظ على المعلومات المتعلقة بالمهمة من الضوضاء. تساعد هذه النظرة الهندسية على تفسير كيف يمكن لنفس الدوائر الدماغية إعادة استخدام البنية الخفية بمرونة عبر مواقف عديدة، داعمةً التعميم السلس الذي يقوم عليه الذكاء اليومي.

الاستشهاد: Wakhloo, A.J., Slatton, W. & Chung, S. Neural population geometry and optimal coding of tasks with shared latent structure. Nat Neurosci 29, 682–692 (2026). https://doi.org/10.1038/s41593-025-02183-y

الكلمات المفتاحية: هندسة تجمعات عصبية, ترميز المتغيرات الكامنة, التعلم متعدد المهام, تمثيلات مفصّلة, التعميم في الشبكات العصبية