Görsel hiyerarşi boyunca nöronal ayarlama, nesne ve doku manifoldlarıyla dinamik olarak hizalanır

Beyin Nesnelerin Ötesini Nasıl Görür

Yoğun bir sokağa bakarken beyniniz, otomobiller, yüzler, yapraklar ve gölgeler arasında hızla anlam çıkarır. Ancak tek tek beyin hücreleri sadece “araba” veya “yüz” gibi derli toplu kategoriler için yanıp sönmez. Çoğu zaman alakasız birçok görüntüye yanıt verirler; bu da bilim insanlarını bu hücrelerin gerçekte neye önem verdiği konusunda şaşırtır. Bu çalışma, tekil nöronların en sevdiği resimleri “tasarlamasına” olanak tanıyan gelişmiş görüntü üreten yapay zekayı kullanarak beynin ayrıntılı dokulara duyarlılığı ile bütün nesne tanımayı nasıl dengelendiğini ortaya koyuyor.

İki Farklı Görsel Dünya

Araştırmacılar, her biri farklı bir görsel “vurgu”ya sahip iki güçlü görüntü üreticisiyle çalıştı. DeePSim adındaki biri, zengin doku ve desenler üretmede özellikle iyiydi, ancak ürettiği görüntüler sık sık net, tanınabilir nesnelerden yoksundu. Diğeri BigGAN ise hayvanlar ve araçlar gibi belirgin nesnelerle dolu keskin, fotoğraf benzeri görseller oluşturacak şekilde eğitilmişti. Bu üreticileri olası görüntü uzayını farklı şekillerde parçalayan alternatif yollar olarak ele alarak ekip, beyin hücrelerinin dünyaya doku merkezli mi yoksa nesne merkezli mi baktığını sınayabildi.

Nöronların Kendi Resimlerini Seçmesine İzin Vermek

Makak maymunlarında bilim insanları, ham görmeyi nesne tanımaya dönüştürmeye yardımcı olan ventral görsel yol boyunca nöronlardan etkinlik kaydetti. Üç durakta yoğunlaştılar: V1 (erken görsel korteks), V4 (ara bölge) ve PIT (posterior inferotemporal korteks, yüksek düzey bir alan). Deneyler sırasında her nöronun ateşleme hızı, her üreticinin görüntü uzayında kapalı döngü bir arama yönlendirdi. Hızlı diziler halinde nörona sentetik görüntüler gösterildi; daha fazla diken tetikleyen görüntüler bir sonraki turda üreticiyi benzer görsellere doğru itti. Birçok nesil boyunca bu “evrim”, hem doku hem de nesne uzaylarında güçlü etkinlik yaratan görüntüler üretti.

Tam Nesneler Değil, Gizli Yerel Özellikler

Sürpriz bir şekilde, bir nöron hem doku odaklı uzayda hem de nesne odaklı uzayda görüntüleri optimize ettiğinde, nihai resimler genelde küresel olarak farklı görünüyordu ama benzer bir konumda eğimli bir kenar veya renkli bir leke gibi belirli bir yerel motif paylaşıyorlardı. Derin sinir ağlarıyla yapılan analizler, bu eşleştirilmiş görüntülerin özellik uzayında farklı nöronlar için optimize edilmiş görüntülerden daha fazla benzer olduğunu doğruladı. Mekânsal haritalar, nöronun etkinliğinin görüntü içindeki belirli bölgelere göre en iyi öngörüldüğünü gösterdi; bu da birçok hücrenin tek, katı bir nesne şablonuna değil, çok farklı sahnelerde tekrar edebilen yerel yapı taşlarına yanıt verdiğini düşündürüyor.

Dokulardan Nesnelere Doğru Değişen Denge

Araştırma ekibi sonra her beyin alanındaki nöronların her görüntü uzayında güçlü bir yanıta “tırmanmasının” ne kadar kolay olduğunu sordu. Erken alanlarda V1 ve V4’te doku uzayında yapılan optimizasyon daha sık başarılı oldu, daha hızlı tırmandı ve nesne uzayına kıyasla daha yüksek zirve yanıtlarına ulaştı; bu açık bir doku önyargısı ortaya koydu. Ancak PIT’te nöronlar her iki uzayda da iyi performans gösterdi: ya doku-benzeri ya da nesne-benzeri sentetik görüntülerle güçlü şekilde sürülebiliyorlardı ve optimizasyon hızları birbirine yaklaştı. Yanıt zamanlarına bakmak başka bir ayrıntı ekledi. PIT’te doku temelli görüntüler erken yanıtları daha çok artırma eğilimindeyken, nesne temelli görüntüler daha güçlü olarak daha sonraki, sürdürülmüş ateşlemeyi etkiledi; bu da nesne odaklı işlemenin zaman içinde daha yavaş ortaya çıktığını ima ediyor.

Nesne Uzayında Tercih Haritaları

Bu tercihlerin ince şeklini incelemek için araştırmacılar nesne üreticisinin gizli (latent) uzayında “Hessian ayarlama” deneyleri yürüttü. Bir nöron optimize edilmiş nesne-benzeri bir görüntüye güçlü bir yanıt ulaştıktan sonra, o noktaya bağlı olarak birçok yönde görüntüler sistematik olarak örneklendi. Optimizasyon gerçekten yüksek bir tepe bulduğunda, nöronun ateşlemesi tipik olarak bu yönler boyunca çan biçimli eğriler oluşturdu; görüntüler tercih edilen noktadan uzaklaştıkça artıp sonra düştü. Optimizasyon güçlü bir tepeye ulaşmadığında ise ayarlama eğrileri genellikle rampa gibi görünüyordu. Bu, bir nöronun dar bir favorisi mi yoksa kademeli bir tercihi mi olduğu izleniminin, olası görüntülerin devasa uzayını ne kadar kapsamlı aradığımıza bağlı olabileceğini gösteriyor.

Görmeyi Anlamamız İçin Bu Ne Anlama Geliyor

Genel olarak çalışma, ventral görsel yolu dokuya başlangıçta eğilimli olan ve zamanla nesne yapısını aynı derecede güçlü biçimde kavrama yeteneği kazanan esnek bir sistem olarak tasvir ediyor. Nöronlar bütün nesneleri bölünmez birimler olarak kodlamak yerine, birçok farklı sahneye yerleştirilebilen yeniden kullanılabilir yerel özelliklere öncelik veriyor gibi görünüyor. Yüksek düzey PIT nöronları hem doku temelli hem de nesne temelli görsel dünya tanımlarına uyum sağlayabilir; bu çok yönlülük günümüz yapay ağlarının hâlâ zorlandığı bir şey. Gayri uzman bir gözlemci için ana mesaj şudur: beyinlerimiz sadece “nesne algılayıcılar” değildir; ince dokulardan tüm şekillere kadar anlam okuyabilen, uzay ve zaman boyunca vurguyu değiştirerek zengin görsel deneyimi destekleyen sofistike örüntü makineleridir.

Atıf: Wang, B., Ponce, C.R. Neuronal tuning aligns dynamically with object and texture manifolds across the visual hierarchy. Nat Neurosci 29, 864–875 (2026). https://doi.org/10.1038/s41593-026-02207-1

Anahtar kelimeler: görsel korteks, nesne tanıma, doku işleme, üretici modeller, nöronal ayarlama