Lokale laterale connectiviteit is voldoende om cortexachtige topografische organisatie in diepe neurale netwerken na te bootsen

Waarom breinachtige kaarten in AI ertoe doen

Onze hersenen rangschikken neuronen met vergelijkbare taken naast elkaar, waardoor ordelijke kaarten ontstaan voor zaken als randen, gezichten en plekken. Deze indeling verschijnt bij veel soorten en in verschillende hersengebieden, maar wetenschappers debatteren nog steeds waarom ze bestaat en hoe ze gevormd wordt. Deze studie vraagt of een eenvoudige bedradingregel — nabijgelegen neuronen elkaar laten beïnvloeden — kunstmatige netwerken op natuurlijke wijze vergelijkbare kaarten kan laten ontwikkelen, en of die organisatie computers een praktisch voordeel geeft, bijvoorbeeld robuuster beeldherkennen in een lawaaierige wereld.

Patronen op het hersenoppervlak

Bij primaten is de visuele cortex geen wirwar van cellen. In plaats daarvan is ze opgebouwd als een lappendeken waarin aangrenzende neuronen vaak voorkeuren hebben voor vergelijkbare beeldkenmerken. Vroege regio’s bevatten kaarten van lijnoriëntatie en kleur; latere regio’s herbergen gebieden die afgesteld zijn op gezichten, lichamen, scènes of alledaagse objecten. Klassieke theorieën stellen dat deze orde is geëvolueerd om bedrading kort en efficiënt te houden, maar ze nemen meestal speciale leerregels of extra doelen aan die moeilijk biologisch te rechtvaardigen zijn. De auteurs richten zich in plaats daarvan op een meer basaal anatomisch kenmerk dat wijdverspreid in de cortex voorkomt: korte, zijwaartse verbindingen die nabijgelegen neuronen koppelen, vaak sterker tussen cellen die al vergelijkbaar reageren.

Een virtueel cortexvel creëren

De onderzoekers beginnen met een standaard diep vision‑model, ResNet18, en herschikken de eenheden zodat elk op een vaste positie op een tweedimensionaal “corticaal vel” staat. Binnen elke laag voegen ze lokale laterale verbindingen toe waarvan de sterkte afneemt met afstand, wat nabootst hoe nabijgelegen corticale neuronen elkaar meer beïnvloeden dan verre. Deze zijwaartse links worden niet getraind met gradient descent; alleen de gebruikelijke feedforwardgewichten worden geleerd. Het model leert vervolgens één taak — objectherkenning op een grote afbeeldingsdataset — met standaard backpropagation, zonder extra termen die rechtstreeks vloeiende kaarten of korte bedrading belonen.

Breinachtige kaarten van randen tot gezichten

Zelfs in deze eenvoudige opzet ontstaat rijke topografie. In vroege lagen vormen eenheden vloeiende kaarten voor oriëntatie, ruimtelijke frequentie en kleur die lijken op die in de primaire visuele cortex. Aangrenzende eenheden reageren meer vergelijkbaar dan verre eenheden, en de richtingen waarin oriëntatie en ruimtelijke frequentie veranderen kruisen elkaar vaak onder rechte hoeken, wat echo’s geeft van fijnmazige diergegevens. Wanneer de eerste laag biologisch gedetailleerder wordt gemaakt door gewichtdeling te verwijderen, herstelt het model ook kenmerkende patronen zoals pinwheels in oriëntatiekaarten. In diepere lagen verschijnen clusters afgestemd op categorieën zoals gezichten, lichamen en scènes in langgerekte banden over het gesimuleerde vel, wat sterk overeenkomt met bekende indelingen in de ventrale temporale cortex van mensen. Het model reproduceert zelfs bredere scheidingen, zoals aparte stromen voor levend versus niet‑levend en voor kleine versus grote objecten uit de echte wereld.

Onbekende hersengebieden en bedradingseconomie

De studie gaat verder dan bekende hotspots en onderzoekt regio’s waarvan de functie minder duidelijk is. Met behulp van hoge‑resolutie hersenbeeldgegevens identificeren de auteurs een tussengebied in de menselijke cortex gelegen tussen gezichts‑ en plaatsselectieve gebieden. In hun model bevinden de eenheden waarvan de activiteit het beste overeenkomt met dit gebied zich op tussenliggende posities tussen de overeenkomstige gezichts‑ en scène‑selectieve clusters, wat suggereert dat de artificiële topografie generaliseert naar onontdekte territoria. Ze schatten ook de effectieve bedradinglengte tussen sterk actieve eenheden over lagen heen. Verrassend genoeg eindigen de lateraal verbonden netwerken met een veel kortere totale verbindingslengte dan zowel het oorspronkelijke niet‑topografische netwerk als een eerder model dat expliciet geoptimaliseerd was om bedrading te minimaliseren, wat impliceert dat realistisch leren alleen al zuinige indelingen kan bevorderen wanneer de architectuur lokale laterale structuur bevat.

Robuust zicht door lokale samenwerking

Een van de meest intrigerende bevindingen is functioneel: de geclusterde kaarten maken het model moeilijker om voor de gek te houden. Wanneer beelden opzettelijk worden verstoord door sterke adversariële aanvallen — kleine pixelwijzigingen ontworpen om de classifier te misleiden — behouden netwerken met lokale laterale verbindingen een hogere nauwkeurigheid dan het basismodel, vooral wanneer de zijwaartse verbindingen een groter buurtgebied beslaan. De auteurs interpreteren de clusters als ensembles van vergelijkbare eenheden die ruis wegmiddelen, vergelijkbaar met ensemblemethoden in machine learning. Dit suggereert dat topografie meer kan zijn dan nette bedrading: het kan ook stabiele, betrouwbare waarneming ondersteunen door groepen nabijgelegen neuronen samen te laten werken.

Wat dit betekent voor hersenen en machines

Het werk toont aan dat het simpelweg toevoegen van realistische lokale laterale verbindingen aan een diep netwerk voldoende is om cortexachtige kaarten op meerdere schalen te produceren, zonder speciale leerregels die neuronen waarschijnlijk niet kunnen implementeren. Tegelijkertijd verbetert deze organisatie de robuustheid en vermindert ze de totale bedrading, wat erop wijst dat evolutie topografie mogelijk heeft bevoordeeld vanwege zowel efficiëntie als betrouwbare zintuiglijke verwerking. Voor de neurowetenschap biedt het model een verenigd circuitrecept dat uiteenlopende visuele kaarten kan verklaren; voor kunstmatige intelligentie wijst het op architecturen die niet alleen breinachtiger zijn maar ook beter bestand tegen lawaaierige of adversariële inputs.

Bronvermelding: 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

Trefwoorden: corticale topografie, laterale connectiviteit, diepe neurale netwerken, visuele cortex, adversariële robuustheid