Modellering van aandacht en binding in de hersenen door bidirectionele recurrente gating

Hoe de hersenen weten waar ze naar moeten kijken

Elke minuut worden je ogen overladen met veel meer informatie dan je ooit bewust zou kunnen waarnemen. Toch kun je moeiteloos een vriend in een menigte onderscheiden, een rijdende auto volgen of je sleutels op een rommelige tafel zoeken. Dit vermogen om te focussen op wat belangrijk is, de juiste kenmerken aan elkaar te koppelen en afleiding te negeren, noemen we aandacht. Het hier beschreven artikel introduceert een nieuw, door de hersenen geïnspireerd computermodel dat probeert te verklaren hoe zo’n grote verscheidenheid aan aandachtsvaardigheden kan voortkomen uit één onderliggend mechanisme.

Één model voor veel vormen van focus

Aandacht is niet één ding. Soms richten we ons op een plek in de ruimte, als een spotlicht. Soms stemmen we ons af op een kenmerk, zoals een bepaalde kleur, en soms richten we ons op hele objecten, waarbij hun onderdelen bij elkaar blijven ook als ze bewegen of deels worden verborgen. De auteurs beweren dat in plaats van afzonderlijke, speciaal ontworpen systemen al deze vormen van aandacht kunnen voortvloeien uit een gemeenschappelijk circuitpatroon in de visuele route van de hersenen. Ze bouwen een model dat de ventrale visuele stroom nabootst, de reeks hersengebieden die ruwe pixels op het netvlies omzet in herkenbare objecten. In hun ontwerp beweegt het ene pad informatie omhoog en extraheert visuele kenmerken, terwijl een ander pad signalen terugstuurt en beslist welke kenmerken versterkt of verzwakt moeten worden.

Poorten die beide kanten op communiceren

Het hart van het model is iets dat de auteurs bidirectionele recurrente gating noemen. Stel je een stapel verwerkingsstadia voor, van eenvoudige randen tot complexe vormen. In elk stadium draagt het vooruitbewegende signaal wat er in het beeld staat, terwijl een terug- en zijwaarts signaal draagt wat op dat moment relevant is voor de taak. Deze signalen komen samen bij “poorten” die de activiteit van kenmerken multiplicatief omhoog of omlaag schakelen over meerdere tijdstappen. Omdat de verbindingen recurrent zijn, kan het model zijn focus in de loop van de tijd verfijnen, vergelijkbaar met hoe je eerst een rommelig tafereel kort bekijkt en vervolgens geleidelijk inzoomt op een doelwit. Deze architectuur wordt getraind met standaard machine-learningtechnieken op twee basale doelen — classificeren wat aanwezig is en segmenteren waar het zich bevindt — maar krijgt niet expliciet te horen hoe aandacht geïmplementeerd moet worden.

Leren zoeken, volgen en afleidingen negeren

Eenmaal getraind wordt het model getest op een reeks klassieke aandachtstaken die gewoonlijk aan mensen en dieren worden voorgelegd. Met beelden opgebouwd uit handgeschreven cijfers en uit natuurfoto’s van dieren leert het objecten in rommel te herkennen, elementen te groeperen die worden aangegeven, bewegende items te volgen en visuele zoekopdrachten uit te voeren op basis van visuele hints of symbolische aanwijzingen zoals pijlen. Het kan één afwijkend item in een raster benadrukken, de aandacht van het ene object naar het andere verplaatsen zonder op hetzelfde object “vast te lopen”, en een doelwit in de loop van de tijd volgen terwijl afleiders worden genegeerd. Merkwaardig genoeg treden veel van deze gedragingen op zelfs wanneer het model alleen feedback krijgt over het uiteindelijke antwoord, en niet over waar het had moeten kijken, wat suggereert dat aandachtsstrategieën als bijproduct kunnen ontstaan bij het leren oplossen van relevante taken.

Het menselijk waarnemen en hersensignalen spiegelen

De auteurs onderzoeken vervolgens of het model zich op meer subtiele manieren als mensen gedraagt. In gecontroleerde tests met eenvoudige patroonpatches toont het model verbeterde gevoeligheid wanneer een cue naar de juiste locatie wijst, en neemt de prestatie af wanneer veel afleiders aanwezig zijn — een parallel met menselijke bevindingen over contrastgevoeligheid en perceptuele belasting. Het “trapt ook in” een klassiek perceptueel illusie waarbij een zichtbaar occluder een gefragmenteerde vorm makkelijker herkenbaar maakt, wat erop wijst dat het figuur en achtergrond op een hersenachtige manier representeert. Binnen het netwerk laten units in diepere lagen responsversterking zien wanneer hun geprefereerde object wordt geattendeerd, zonder hun basisafstemming te veranderen, vergelijkbaar met neuronen in de visuele cortex van primaten. Verschillende groepen units gedragen zich als feature-detectors en als “border ownership”-cellen die helpen beslissen welke zijde van een rand bij het figuur hoort en welke bij de achtergrond.

Waarom dit belangrijk is voor hersenen en machines

Het werk suggereert dat veel kenmerkende eigenschappen van biologische aandacht — oriënteren op cues, het filteren van irrelevante rommel, het zoeken naar doelen, het binden van kenmerken tot coherente objecten en zelfs sommige fouten in bewustzijn — allemaal kunnen voortkomen uit één architectonisch principe: recurrente gating tussen een featurepad en een aandachtspad. Simpel gezegd toont het model hoe een systeem dat herhaaldelijk het belang van wat het ziet herweegt op basis van huidige doelen en context, kan leren “aandacht besteden” zonder dat dit expliciet geprogrammeerd is. Dit biedt neurowetenschappers een concreet, toetsbaar kader om aandacht en binding in de hersenen te begrijpen, en geeft onderzoekers in kunstmatige intelligentie een biologisch geïnspireerd alternatief voor de huidige grotendeels feedforward-ontwerpen.

Bronvermelding: Salehi, S., Lei, J., Benjamin, A.S. et al. Modeling attention and binding in the brain through bidirectional recurrent gating. Nat Commun 17, 4072 (2026). https://doi.org/10.1038/s41467-026-72146-9

Trefwoorden: visuele aandacht, feature-binding, recurrente neurale netwerken, computationele neurowetenschap, hersengeïnspireerde AI