Lokale laterale Konnektivität reicht aus, um cortexähnliche topographische Organisation in tiefen neuronalen Netzen zu reproduzieren

Warum gehirnähnliche Karten in der KI wichtig sind

Unsere Gehirne ordnen Neuronen mit ähnlichen Aufgaben nebeneinander an und bilden so geordnete Karten für Merkmale wie Kanten, Gesichter und Orte. Dieses Layout zeigt sich bei vielen Arten und in verschiedenen Gehirnarealen, dennoch wird in der Wissenschaft weiterhin diskutiert, warum es existiert und wie es entsteht. Diese Studie fragt, ob eine einfache Verdrahtungsregel – nämlich dass benachbarte Neuronen miteinander kommunizieren dürfen – künstlichen Netzen erlaubt, ähnliche Karten von selbst auszubilden, und ob diese Organisation den Computern einen praktischen Vorteil verschafft, etwa robusteres Sehen in einer lauten Umgebung.

Muster auf der Hirnoberfläche

Beim Primaten ist der visuelle Kortex kein Durcheinander von Zellen. Vielmehr ist er wie ein Flickenteppich organisiert, in dem benachbarte Neuronen dazu neigen, ähnliche Bildmerkmale zu bevorzugen. Frühe Bereiche tragen Karten von Linienorientierung und Farbe; spätere Bereiche enthalten Bereiche, die auf Gesichter, Körper, Szenen oder Alltagsobjekte abgestimmt sind. Klassische Theorien schlagen vor, dass diese Ordnung sich entwickelt hat, um Verkabelung kurz und effizient zu halten, nehmen dabei aber meist spezielle Lernregeln oder zusätzliche Zielgrößen an, die biologisch schwer zu begründen sind. Die Autoren konzentrieren sich stattdessen auf ein grundlegenderes anatomisches Merkmal, das im Kortex weit verbreitet ist: kurze, seitliche Verbindungen, die nahegelegene Neuronen koppeln und oft stärker sind zwischen Zellen, die bereits ähnlich reagieren.

Aufbau eines virtuellen Kortexblatts

Die Forschenden beginnen mit einem Standardmodell der tiefen Bildverarbeitung, ResNet18, und organisieren seine Einheiten so um, dass jede an einer festen Position auf einem zweidimensionalen „kortikalen Blatt“ sitzt. Innerhalb jeder Schicht fügen sie lokale laterale Verbindungen hinzu, deren Stärke mit der Distanz abnimmt, und ahmen damit nach, dass nahegelegene kortikale Neuronen einander stärker beeinflussen als weit entfernte. Diese seitlichen Verbindungen werden nicht per Gradientenabstieg trainiert; trainiert werden nur die üblichen Feedforward-Gewichte. Das Modell lernt dann eine einzelne Aufgabe – Objekterkennung auf einem großen Bilddatensatz – mittels Standard-Backpropagation, ohne einen zusätzlichen Term, der direkt glatte Karten oder kurze Verkabelung belohnt.

Gehirnähnliche Karten von Kanten bis zu Gesichtern

Schon unter diesem einfachen Setup entsteht reichhaltige Topographie. In frühen Schichten bilden Einheiten glatte Karten für Orientierung, räumliche Frequenz und Farbe, die denen im primären visuellen Kortex ähneln. Benachbarte Einheiten reagieren ähnlicher als weit entfernte, und die Richtungen, entlang derer sich Orientierung und räumliche Frequenz ändern, schneiden sich häufig rechtwinklig – ein Echo der feinmaschigen Tierdaten. Wenn die erste Schicht biologisch detaillierter gemacht wird, etwa durch Entfernen des Weight-Sharing, reproduziert das Modell auch charakteristische Merkmale wie Pinwheel-Muster in Orientierungskarten. In tieferen Schichten erscheinen Cluster, die auf Kategorien wie Gesichter, Körper und Szenen abgestimmt sind, in länglichen Bändern über dem simulierten Blatt und ähneln damit stark den bekannten Anordnungen im ventralen temporalen Kortex des Menschen. Das Modell bildet sogar breitere Aufteilungen nach, etwa separate Ströme für Belebtes versus Unbelebtes und für kleine versus große Objekte in der wirklichen Welt.

Unbekannte Hirnareale und Verkabelungsökonomie

Die Studie geht über bekannte Hotspots hinaus und untersucht Regionen, deren Funktion weniger klar ist. Mithilfe hochauflösender Bildgebungsdaten identifizieren die Autoren ein intermediäres Gebiet im menschlichen Kortex zwischen gesichts- und ortsselektiven Arealen. In ihrem Modell liegen die Einheiten, deren Aktivität am besten zu diesem Gebiet passt, an Zwischenpositionen zwischen den entsprechenden Gesichts- und Szenen-Clustern, was nahelegt, dass die künstliche Topographie auf bislang unerforschte Territorien generalisiert. Sie schätzen zudem die effektive Verkabelungslänge zwischen stark aktiven Einheiten über Schichten hinweg. Überraschenderweise weisen die lateral verbundenen Netze eine deutlich kürzere Gesamtkonnektivitätslänge auf als sowohl das ursprüngliche nicht-topographische Netz als auch ein früheres Modell, das explizit auf Minimierung der Verkabelung optimiert wurde. Das deutet darauf hin, dass realistisches Lernen allein ökonomische Layouts begünstigen kann, wenn die Architektur lokale laterale Struktur enthält.

Robuste Wahrnehmung durch lokale Zusammenarbeit

Eines der faszinierendsten Ergebnisse ist funktionaler Natur: Die geclusterten Karten machen das Modell schwerer zu täuschen. Wenn Bilder gezielt durch starke adversarielle Angriffe – winzige Pixeländerungen, die den Klassifizierer fehlleiten sollen – perturbiert werden, behalten Netze mit lokalen lateralen Verbindungen höhere Genauigkeit bei als das Basismodell, besonders wenn die seitlichen Verbindungen ein größeres Nachbarschaftsgebiet überspannen. Die Autoren deuten die Cluster als Ensembles ähnlicher Einheiten, die Rauschen ausmitteln, ähnlich wie Ensemble-Methoden im maschinellen Lernen. Das legt nahe, dass Topographie mehr sein könnte als ordentliche Verkabelung: Sie kann auch stabile, verlässliche Wahrnehmung unterstützen, indem Gruppen benachbarter Neuronen zusammenarbeiten.

Was das für Gehirne und Maschinen bedeutet

Die Arbeit zeigt, dass das einfache Hinzufügen realistischer lokaler lateraler Verbindungen zu einem tiefen Netzwerk ausreicht, cortexähnliche Karten auf mehreren Skalen zu erzeugen, ohne spezielle Lernregeln vorauszusetzen, die Neuronen kaum implementieren würden. Gleichzeitig verbessert diese Organisation die Robustheit und reduziert die gesamte Verkabelung, was nahelegt, dass die Evolution Topographie sowohl aus Effizienz- als auch aus Zuverlässigkeitsgründen begünstigt haben könnte. Für die Neurowissenschaft bietet das Modell ein einheitliches Schaltkreisrezept, das diverse visuelle Karten erklären kann; für die künstliche Intelligenz weist es auf Architekturen hin, die nicht nur gehirnähnlicher sind, sondern auch widerstandsfähiger gegenüber verrauschten oder adversariellen Eingaben.

Zitation: Qian, X., Dehghani, A.O., Farahani, A.B. et al. Local lateral connectivity is sufficient for replicating cortex-like topographical organization in deep neural networks. Nat Commun 17, 4042 (2026). https://doi.org/10.1038/s41467-026-70065-3

Schlüsselwörter: kortikale Topographie, laterale Konnektivität, tiefe neuronale Netze, visueller Kortex, adversarielle Robustheit