Lokal lateralanslutning räcker för att replikera kortexliknande topografisk organisation i djupa neurala nätverk

Varför hjärnliknande kartor i AI spelar roll

Våra hjärnor placerar neuroner med liknande uppgifter intill varandra och bildar ordnade kartor för till exempel kanter, ansikten och platser. Denna disposition återfinns över många arter och hjärnområden, men forskarna diskuterar fortfarande varför den finns och hur den uppstår. Denna studie ställer frågan om en enkel kopplingsregel — att låta närliggande neuroner kommunicera — kan få artificiella nätverk att själva utveckla liknande kartor, och om den organisationen ger praktiska fördelar för datorer, till exempel mer robust seende i en bullrig värld.

Mönster på hjärnans yta

I primater är visuell kortex inte en röra av celler. Istället är den utlagd som ett lapptäcke där intilliggande neuroner tenderar att föredra liknande bildegenskaper. Tidiga områden bär kartor över linjeorientering och färg; senare områden innehåller fickor som är inställda på ansikten, kroppar, scener eller vardagsföremål. Klassiska teorier föreslår att denna ordning utvecklats för att hålla ledningar korta och effektiva, men de antar ofta särskilda inlärningsregler eller tillagda mål som är svåra att motivera biologiskt. Författarna fokuserar istället på en mer grundläggande anatomisk egenskap som ses brett i kortex: korta, sidledes förbindelser som länkar närliggande neuroner, ofta starkare mellan celler som redan svarar likartat.

Bygga ett virtuellt kortexskikt

Forskarna utgår från en standardmodell för datorseende, ResNet18, och omorganiserar dess enheter så att varje enhet placeras på en fast position på ett tvådimensionellt ”kortexskikt”. Inom varje lager lägger de till lokala laterala anslutningar vars styrka avtar med avstånd, vilket efterliknar hur närliggande kortikala neuroner påverkar varandra mer än avlägsna. Dessa sidledslänkar tränas inte med gradientnedstigning; endast de vanliga framåtriktade vikterna tränas. Modellen lär sig sedan en enda uppgift — objektdetektion på en stor bilddatabas — med standard backpropagation, utan något extra termer som direkt belönar släta kartor eller korta ledningar.

Hjärnliknande kartor från kanter till ansikten

Även under denna enkla uppsättning uppstår rik topografi. I tidiga lager bildar enheterna släta kartor för orientering, rumslig frekvens och färg som liknar dem som registrerats i primär visuell kortex. Intilliggande enheter svarar mer likartat än avlägsna, och riktningarna längs vilka orientering och rumslig frekvens förändras tenderar att korsa vinkelrätt, vilket speglar detaljerade djurdata. När första lagret görs mer biologiskt detaljerat genom att ta bort viktdelning återfår modellen också kännetecken som pinwheel-mönster i orienteringskartor. I djupare lager framträder kluster inställda på kategorier som ansikten, kroppar och scener i utdragna band över det simulerade skiktet, nära parallellt med kända layouter i människans ventrala temporala kortex. Modellen återger till och med bredare indelningar, såsom separata strömmar för levande respektive icke-levande ting och för små respektive stora verkliga objekt.

Oupptäckta hjärnområden och ledningsekonomi

Studien går längre än välkända heta zoner för att utforska regioner vars funktion är mindre klart definierad. Med hjälp av högupplöst hjärnavbildningsdata identifierar författarna ett intermediärt stycke av människokortex beläget mellan ansikts- och platsselektiva områden. I deras modell sitter de enheter vars aktivitet bäst matchar detta stycke på mellanliggande positioner mellan de motsvarande ansikts- och scenselektiva klustren, vilket antyder att den artificiella topografin generaliserar till outforskade territorier. De uppskattar också effektiv ledningslängd mellan starkt aktiva enheter över lager. Överraskande nog får de lateralt anslutna nätverken betydligt kortare total förbindelselängd än både det ursprungliga icke-topografiska nätverket och en tidigare modell som uttryckligen optimerats för att minimera ledningslängd, vilket antyder att realistisk inlärning ensam kan gynna ekonomiska layouter när arkitekturen inkluderar lokal lateral struktur.

Robust syn genom lokalt samarbete

En av de mest intressanta fynden är funktionell: de klustrade kartorna gör modellen svårare att lura. När bilder avsiktligt störs av starka adversariella attacker — små pixeländringar avsedda att förleda klassificeraren — behåller nätverk med lokala laterala anslutningar högre noggrannhet än basmodellen, särskilt när sidledsanslutningarna sträcker sig över ett större närområde. Författarna tolkar klustren som ensemble av liknande enheter som utjämnar brus, ungefär som ensemblemetoder inom maskininlärning. Detta antyder att topografi kan vara mer än prydlig ledningsstruktur: den kan också stödja stabil och pålitlig perception genom att låta grupper av närliggande neuroner samarbeta.

Vad detta betyder för hjärnor och maskiner

Arbetet visar att det räcker att lägga till realistiska lokala laterala förbindelser till ett djupt nätverk för att frambringa kortexliknande kartor i flera skalor, utan särskilda inlärningsregler som neuroner sannolikt inte kan implementera. Samtidigt förbättrar denna organisation robustheten och minskar total ledningslängd, vilket pekar mot att evolutionen kan ha gynnat topografi för både effektivitet och pålitlig sensorik. För neurovetenskap erbjuder modellen ett enhetligt kretsrecept som kan förklara mångfaldiga visuella kartor; för artificiell intelligens pekar den mot arkitekturer som inte bara är mer hjärnliknande utan också mer motståndskraftiga mot bullriga eller adversariella indata.

Citering: 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

Nyckelord: kortikal topografi, lateralanslutning, djupa neurala nätverk, visuell kortex, adversariell robusthet