A conectividade lateral local é suficiente para replicar a organização topográfica tipo córtex em redes neurais profundas

Por que mapas semelhantes aos cerebrais importam na IA

Nossos cérebros organizam neurônios com funções parecidas lado a lado, formando mapas ordenados para coisas como contornos, rostos e lugares. Esse arranjo aparece em muitas espécies e áreas cerebrais, mas os cientistas ainda discutem por que ele existe e como se forma. Este estudo investiga se uma regra simples de conexão — permitir que neurônios próximos conversem entre si — pode fazer redes artificiais desenvolverem mapas semelhantes por si mesmas e se essa organização traz vantagem prática aos computadores, por exemplo, enxergar de forma mais robusta em um mundo ruidoso.

Padrões na superfície do cérebro

No primata, o córtex visual não é um amontoado de células aleatórias. Em vez disso, está disposto como um mosaico no qual neurônios vizinhos tendem a preferir características de imagem semelhantes. Regiões iniciais exibem mapas de orientação de linhas e cor; regiões posteriores contêm bolsões sintonizados para rostos, corpos, cenas ou objetos cotidianos. Teorias clássicas propõem que essa ordem evoluiu para manter a fiação curta e eficiente, mas normalmente assumem regras de aprendizado especiais ou objetivos adicionais difíceis de justificar biologicamente. Os autores concentram-se, em vez disso, em uma característica anatômica mais básica e difundida no córtex: conexões locais e laterais que ligam neurônios próximos, frequentemente mais fortes entre células que já respondem de maneira parecida.

Construindo uma folha cortical virtual

Os pesquisadores partem de um modelo visual profundo padrão, o ResNet18, e reorganizam suas unidades para que cada uma ocupe uma posição fixa em uma “folha cortical” bidimensional. Dentro de cada camada, eles adicionam conexões laterais locais cuja força diminui com a distância, imitando como neurônios corticais próximos se influenciam mais do que os distantes. Esses elos laterais não são treinados por descida de gradiente; apenas os pesos feedforward convencionais o são. O modelo então aprende uma única tarefa — reconhecimento de objetos em um grande conjunto de imagens — usando retropropagação padrão, sem qualquer termo extra que recompense diretamente mapas suaves ou fiação curta.

Mapas tipo cérebro de contornos a rostos

Mesmo com essa configuração simples, emerge uma topografia rica. Em camadas iniciais, as unidades formam mapas suaves para orientação, frequência espacial e cor que se assemelham aos registrados no córtex visual primário. Unidades vizinhas respondem de maneira mais similar do que as distantes, e as direções ao longo das quais orientação e frequência espacial mudam tendem a se cruzar em ângulos retos, ecoando dados finos de estudos em animais. Quando a primeira camada é tornada mais biologicamente detalhada ao remover o compartilhamento de pesos, o modelo também recupera características marcantes como padrões em forma de redemoinho (pinwheels) nos mapas de orientação. Em camadas mais profundas, surgem aglomerados sintonizados para categorias como rostos, corpos e cenas em bandas alongadas na folha simulada, paralelizando de perto os arranjos conhecidos no córtex temporal ventral humano. O modelo reproduz até divisões mais amplas, como fluxos separados para coisas animadas versus inanimadas e para objetos reais pequenos versus grandes.

Áreas cerebrais inéditas e economia de fiação

O estudo vai além de pontos quentes familiares para sondar regiões cuja função é menos bem definida. Usando dados de imagem cerebral de alta resolução, os autores identificam uma mancha intermediária do córtex humano localizada entre áreas seletivas a rostos e a lugares. Em seu modelo, as unidades cuja atividade melhor corresponde a essa mancha ocupam posições intermediárias entre os aglomerados seletivos a rostos e a cenas correspondentes, sugerindo que a topografia artificial se generaliza a territórios ainda pouco explorados. Eles também estimam o comprimento efetivo de fiação entre unidades fortemente ativas através das camadas. Surpreendentemente, as redes com conexões laterais terminam com comprimento total de conexão muito menor do que tanto a rede não topográfica original quanto um modelo anterior explicitamente otimizado para minimizar fiação, implicando que o aprendizado realista por si só pode favorecer disposições econômicas quando a arquitetura inclui estrutura lateral local.

Visão robusta através do trabalho em equipe local

Uma das descobertas mais intrigantes é funcional: os mapas em aglomerados tornam o modelo mais difícil de enganar. Quando imagens são perturbadas deliberadamente por ataques adversariais fortes — pequenas mudanças de pixels projetadas para induzir erro no classificador — redes com conexões laterais locais mantêm maior acurácia do que o modelo de referência, especialmente quando as conexões laterais abrangem uma vizinhança maior. Os autores interpretam os aglomerados como conjuntos de unidades semelhantes que promediamente reduzem o ruído, muito parecido com métodos de conjunto em aprendizado de máquina. Isso sugere que a topografia pode ser mais do que fiação arrumada: ela também pode sustentar percepção estável e confiável ao permitir que grupos de neurônios próximos cooperem.

O que isso significa para cérebros e máquinas

O trabalho mostra que simplesmente adicionar conexões laterais locais realistas a uma rede profunda é suficiente para produzir mapas semelhantes aos do córtex em múltiplas escalas, sem regras de aprendizado especiais que os neurônios dificilmente implementariam. Ao mesmo tempo, essa organização melhora a robustez e reduz a fiação total, sugerindo que a evolução pode ter favorecido a topografia tanto pela eficiência quanto pela percepção confiável. Para a neurociência, o modelo oferece uma receita de circuito unificada que pode explicar mapas visuais diversos; para a inteligência artificial, aponta para arquiteturas que são não só mais parecidas com o cérebro, mas também mais resistentes diante de entradas ruidosas ou adversariais.

Citação: 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

Palavras-chave: topografia cortical, conectividade lateral, redes neurais profundas, córtex visual, robustez adversarial