כל יום אנו מזהים דפוסים בקלות: אור אדום מסמן לעצור, רחוב צפוף אומר להאט, תנוחה מסוימת מעידה שחיית מחמד עומדת לקפוץ. מאחורי היכולות הללו עומדת יכולת המוח לחשוף מבנה נסתר, או "חבוי", בעולם ולהשתמש בו במשימות שונות. המאמר שואל שאלה שנראית פשוטה למראית עין: מה עושה לדפוס פעילות אוכלוסייתית של עצבים להיות טוב יותר מאחר לפתרון מהיר ומדויק של משימות קשורות רבות?
הכפתורים הנסתרים מאחורי קודי העצבים Figure 1.
המחברים בוחנים פעילות מוחית ברמת האוכלוסייה, ומתייחסים לפירוק הירי של רבים מהנוירונים כאל נקודות במרחב במימד גבוה. הם מתמקדים במשימות שמשתפות קבוצת משתנים חבויים בסיסית — למשל, צורתו, גודלו ומיקומו של אובייקט, או מיקומו ומהירותו של בעל חיים. נוירון או מעגלים מצ downstream קוראים את הדפוסים האלה באמצעות כלל ליניארי פשוט, בדומה לצביעה של מישור דרך ענן הנקודות כדי להפריד "קטגוריה A" מ"קטגוריה B". במקום לדמות כל נוירון בפירוט, המחברים גוזרים נוסחה אנליטית שמנבאת עד כמה קריאה כזו תכלול הכללה על דוגמאות חדשות, בהתחשב בגיאומטריה של פעילות הנוירונים. באופן מפתיע, הם מגלים שהביצועים נשלטים רק על ידי ארבעה מדדים שמלכדים כמה בחוזקה הנוירונים משקפים את המשתנים החבויים, עד כמה המשתנים נבדלים באופן נקי, איך מאורגן הרעש וכמה מימדים יעילים התפעול תופס.
ארבע מרכיבים פשוטים של הכללה טובה
המרכיב הראשון הוא הקורלציה הכוללת בין נוירונים בודדים למשתנים החבויים: כאשר שינויים קטנים במשתנים החבויים גורמים להזזות ברורות בתגובות הנוירונים, לקוראים הבאים יש יותר אות לעבוד איתו. המרכיב השני והשלישי מתארים "פקטוריזציה": באופן אידיאלי, משתנים חבויים שונים מקודדים לאורך כיוונים עצמאיים, והרעש האקראי נדידה בכיוונים המאונכים לצירי האות. זה מקל על גבול ליניארי יחיד לעבור בין משימות רבות שתלויות באותו מבנה חבוי. המרכיב הרביעי הוא מימדיות יעילה, שמודדת כמה כיוונים במרחב הפעילות האוכלוסייתי מנוצלים בפועל. מימדיות גבוהה נוטה לדלל את הרעש על פני כיוונים רבים יותר ומשפרת את האמינות, אך יש לאזן זאת מול עד כמה האות מיושר בבירור עם משתנים רלוונטיים להתנהגות.
כדי לבדוק את התיאוריה שלהם, המחברים מיישמים אותה תחילה ברשתות עצביות מלאכותיות. ברשתות רב-שכבתיות שאומנו על רבות בעיות סיווג קשורות, וברשת עמוקה שאומנה לעקוב אחרי חלקי גוף של עכבר בוידאו, הם מודדים את ארבעת הכמויות הגיאומטריות בכל שכבה. השגיאות החזויות תואמות בדייקנות את ביצועי הקריאות הפשוטות שאומנו על הייצוגים הפנימיים האלה. לאחר מכן הם פונים לנתוני מוח אמיתיים. הקלטות מאזורי הראייה של מקאקים מראות שככל שהאותות עוברים מהעיניים דרך קליפת הראייה הגבוהה, הגיאומטריה מתפתחת באופן שמפחית את שגיאת ההכללה: הקורלציות עם משתנים חבויים עולות, שונות מטרידה נדחקת מהכיוונים האותיים וצורות מסוימות של מימדיות מעוצבות מחדש. בעכברים שלומדים משימת אלטרנטיבה מרחבית, גם ההתנהגות וגם ביצועי הקריאות משתפרים לאורך ימי אימון, בעוד הגיאומטריה של פעילות ההיפוקמפוס והקורטקס הפרה-פרונטלי משתנה באופן שיטתי שמשקף את ניבויי התיאוריה.
איך הלמידה כותבת מחדש את מרחב העצבים
מכיוון שהנוסחה שלהם מקשרת ישירות בין גיאומטריה לביצועים, המחברים יכולים לשאול איך אמור להיראות קוד עצבי "מיטבי" בשלבים שונים של למידה. בשלב מוקדם, כשהדוגמאות לאימון מועטות, הקודים הטובים ביותר הם בעלי מימדיות נמוכה ומיושרים בחוזקה עם המשתנים החבויים המידעיים ביותר, ובפועל דוחסים תכונות פחות מועילות. ככל שהניסיון מצטבר, הפתרון המיטבי משתנה: הייצוג של המבנה הרלוונטי למשימה מתרחב ליותר מימדים והקורלציה ההדוקה בין נוירונים בודדים למשתנים בודדים למעשה נרפית. במילים אחרות, נראה שהמוח מתחיל בסקיצה ממוקדת ובעלת מימדיות נמוכה של המשימה ואז ממלא בהדרגה מיפוי עשיר ומפוזר יותר ככל שהוא לומד.
מדוע זה חשוב להבנת מוחות ומכונות
לקורא כללי, המסר המרכזי הוא כי פעילות אוכלוסייתית של המוח אינה רק ג'ונגל של ספייקים; יש לה צורה, והצורה הזו חשובה. בזיהוי ארבע תכונות גיאומטריות מדידות ששולטות עד כמה קריאות פשוטות יכולות להכליל על פני משימות קשורות, עבודה זו מציעה שפה משותפת להשוואה בין רשתות עצביות ביולוגיות ומלאכותיות. היא מצביעה על כך שכאשר בעלי חיים ומכונות לומדים, הם מארגנים מחדש את הפעילות הפנימית שלהם מקודים קומפקטיים ומיושרים מאוד לקודים בעלי מימדיות גבוהה יותר ופקטוריזציה טובה יותר, שעדיין מגינים על המידע הרלוונטי למשימה מפני רעש. נקודת מבט גיאומטרית זו מסבירה כיצד אותם מעגלי מוח יכולים לשמש בחופשיות את המבנה החבוי במצבים רבים, ותומכת בהכללה שנראית כזאת טבעית שמלווה את האינטליגנציה היומיומית.
ציטוט: Wakhloo, A.J., Slatton, W. & Chung, S. Neural population geometry and optimal coding of tasks with shared latent structure.
Nat Neurosci29, 682–692 (2026). https://doi.org/10.1038/s41593-025-02183-y
מילות מפתח: גיאומטריית אוכלוסיית עצבים, קידוד משתנה חבוי, למידת רב-משימות, ייצוגים מפוענחים, הכללה ברשתות עצביות
