Машинное обучение обнаруживает множество новых вычислительных принципов, поддерживающих элементарное обнаружение движения

Почему нашему мозгу важны крошечные сдвиги движения

Когда вы ловите мяч, замечаете проезжающую машину или просто наблюдаете за колышущимися на ветру листьями, ваша зрительная система тихо решает сложную задачу: из множества меняющихся световых узоров на сетчатке нужно определить, в каком направлении движутся объекты. Десятилетиями учёные опирались на несколько классических теорий, объясняющих, как нервные клетки обнаруживают движение. В этом исследовании биологически вдохновлённое машинное обучение ставит более смелый вопрос: существуют ли множество других способов, которыми простые нейронные схемы могут ощущать движение, чем мы думали ранее?

Классические представления о восприятии движения

Ранние работы по зрению движения предлагали, что нейроны, чувствительные к направлению, действуют как крошечные тайминговые вычислители. В одной традиционной схеме входы от соседних точек пространства сравниваются после задержки одного из них, так что сигналы, движущиеся в предпочитаемом направлении, поступают одновременно и суммируются, тогда как движение в противоположном направлении этого не делает. Другой классический модель ставит быструю эксцитацию в противовес задержанной индикации (ингибиции) с противоположной стороны рецептивного поля клетки, нейтрализуя ответы на движение в нежелательном направлении. Эти механизмы, хотя и влиятельные, в основном сосредоточены на временных разницах и оставляют открытым вопрос, могут ли другие приёмы схем достигать того же самого.

Разрешая эволюции исследовать пространство схем

Чтобы изучить этот вопрос, автор создал подробные компьютерные модели нейронов сетчатки и зрительной коры, а затем организовал эволюционный поиск. Начиная с случайного соединения и свойств синапсов, генетический алгоритм многократно мутировал параметры схем и отбирал те модели, которые лучше всего сигнализировали правильное направление движущихся полосок и дрейфующих решёток. Важно, что отдельные входные клетки, питающие детекторы движения, сами по себе не были селективны по направлению; лишь их коллективная организация и динамика могли порождать настроенные выходы. Эта автоматизированная разведка обнаружила множество различных компоновок схем, сопоставимых или превосходящих по эффективности классические модели, при этом оставаясь в рамках биологически реалистичных ограничений, взятых из анатомии и физиологии.

Множество путей к одному чувству движения

Поиск показал, что простые различия в пространственном расположении входов могут порождать сильную селективность по направлению даже при идентичном тайминге. Например, упорядочивание пресинаптических клеток так, чтобы их рецептивные поля постепенно увеличивались по размеру или поворачивались в ориентации вдоль оси предпочитаемого движения, может привести к тому, что их ответы выстроятся по времени для движения в одном направлении, но не в другом. Окружающие области, подавляющие ответ клетки, также оказались мощными инструментами: варьируя силу, размер или скорость этих окружений между входами, модель могла вырезать точные временные окна, в которых сигналы совпадают только при движении в предпочитаемом направлении. Даже неравные синаптические веса при одинаковых входных фильтрах позволяли схемам становиться селективными по направлению, хотя эта стратегия работала хуже, чем те, что использовали структуру рецептивного поля.

Скрытые строительные блоки схем движения

Несмотря на потрясающее разнообразие успешных схем, их поведение можно свести к небольшому набору «вычислительных примитивов» — повторно используемых алгоритмических строительных блоков. Некоторые соответствовали классическим схемам «задержка-и-сравнение» и схемам на основе ингибиции. Другие были новыми, например механизмы, опирающиеся на выравнивание пиков множества входов по времени с помощью пространственных и окружных взаимодействий, или схемы, в которых паузы в ингибиции или изменения амплитуды ответа несут сигналы о направлении. При добавлении ингибирующих входов появлялись дальнейшие варианты, включая «анти»-форму традиционной ингибиции и паттерны, где ингибиция кратко снижается в критический момент, чтобы дать возможность проявиться возбудительной составляющей. Эти примитивы повторялись не только в подробных моделях ганглиозных клеток сетчатки, но и в корковых пирамидальных нейронах и в упрощённых двухвходных игрушечных схемах, показывая, что они не зависят от конкретного типа клетки или схемы проводки.

Устойчивое восприятие движения в шумном мире

Исследование также проверяло, как эти механизмы работают, когда движение беспорядочно, как в реальной жизни, где скорости меняются непредсказуемо. Схемы, опиравшиеся на изменение размера входных рецептивных полей, особенно в их центральных областях, оказались удивительно устойчивыми: они продолжали корректно сигнализировать направление движения даже при случайных ускорениях и замедлениях стимула. Напротив, модели, в основном зависящие от тонких различий в окружных свойствах или других щепетильных временных соотношений, при тех же условиях теряли свою селективность. Это указывает на то, что некоторые из вновь обнаруженных стратегий особенно хорошо подходят для надёжного восприятия движения в природных сценах.

Что это значит для понимания мозга

Позволив машинному обучению свободно исследовать, как простые нейронные схемы могут обнаруживать движение, эта работа показывает, что мозг не ограничен одной-двумя хитростями для восприятия движения. Скорее, множество различных компоновок схем сводятся к нескольким основным вычислительным идеям, которые можно реализовать с помощью реалистичных биологических компонентов. Для неспециалистов вывод таков: обнаружение движения в мозге одновременно более гибкое и более элегантно организовано, чем считалось ранее: небольшой набор основных операций, переиспользуемых и комбинируемых, объясняет широкое разнообразие чувствительных к движению клеток в разных областях мозга и у разных видов.

Цитирование: Poleg-Polsky, A. Machine learning discovers numerous new computational principles supporting elementary motion detection. Nat Commun 17, 3424 (2026). https://doi.org/10.1038/s41467-026-70288-4

Ключевые слова: обнаружение движения, селективность по направлению, нейронные схемы, сетка сетчатки и кора, машинное обучение в нейронауке