Мозг как предсказатель: новая модель динамики нейронных сетей

Автор: Денис Аветисян

Ученые разработали алгоритм, способный предсказывать активность мозга, анализируя сложные взаимодействия между различными его областями.

В рамках разработанной системы BrainVista, мультимодальные данные, синхронизированные во времени, преобразуются в токены стимулов <span class="katex-eq" data-katex-display="false">\tau_{s}^{t}</span>, а функциональная активность мозга, зафиксированная посредством fMRI, кодируется и декодируется специализированными токенизаторами, формируя токены мозговых цепей <span class="katex-eq" data-katex-display="false">\tau_{f}^{t}</span> с сохранением специфики функциональной активности и обеспечивая межсубъектную согласованность, после чего последовательность токенов, выстроенная во времени, используется для прогнозирования будущих состояний мозговых цепей и реконструкции активности fMRI, сопоставляя контекст стимула с соответствующим состоянием мозга на каждом временном шаге. — В рамках разработанной системы BrainVista, мультимодальные данные, синхронизированные во времени, преобразуются в токены стимулов $\tau_{s}^{t}$ , а функциональная активность мозга, зафиксированная посредством fMRI, кодируется и декодируется специализированными токенизаторами, формируя токены мозговых цепей $\tau_{f}^{t}$ с сохранением специфики функциональной активности и обеспечивая межсубъектную согласованность, после чего последовательность токенов, выстроенная во времени, используется для прогнозирования будущих состояний мозговых цепей и реконструкции активности fMRI, сопоставляя контекст стимула с соответствующим состоянием мозга на каждом временном шаге.

В статье представлена платформа BrainVista — причинно-следственная авторегрессионная модель для прогнозирования откликов фМРТ, обеспечивающая стабильность и точность долгосрочных предсказаний.

Пока крипто-инвесторы ловят иксы и ликвидации, мы тут скучно изучаем отчетность и ждем дивиденды. Если тебе близка эта скука, добро пожаловать.

Купить акции "голубых фишек"

Несмотря на прогресс в изучении динамики мозга с помощью фМРТ, моделирование каузальных связей между сенсорными стимулами и нейронными откликами остается сложной задачей из-за расхождения во временных масштабах и сложности кортикальных сетей. В настоящей работе, представленной под названием ‘BrainVista: Modeling Naturalistic Brain Dynamics as Multimodal Next-Token Prediction’, предложена новая авторегрессионная платформа BrainVista, способная прогнозировать естественную активность мозга, используя мультимодальные данные и учитывая взаимодействие между различными областями коры. Ключевым нововведением является механизм синхронизации высокочастотных стимулов с гемодинамическими сигналами и моделирование межсетевых взаимодействий, что позволяет достичь беспрецедентной точности и стабильности прогнозов на длительном горизонте. Сможет ли BrainVista стать основой для более глубокого понимания когнитивных процессов и разработки новых методов нейроинтерфейсов?

Раскрывая Предсказательный Код Мозга

Понимание работы мозга требует перехода от простого выявления корреляций к моделированию причинно-следственных связей. Вместо пассивной регистрации активности, необходимо исследовать, как мозг активно формирует прогнозы о будущих событиях. Такой подход позволяет не только зафиксировать, что происходит в мозге в определенный момент, но и понять, как он предсказывает и формирует последующие состояния. Именно моделирование этих каузальных динамик открывает путь к более глубокому пониманию когнитивных процессов и позволяет предсказывать поведение мозга, что принципиально отличается от простого описания наблюдаемых изменений. По сути, мозг функционирует как сложная прогностическая система, и выявление механизмов, лежащих в основе этого предсказания, является ключевой задачей современной нейронауки.

Традиционный анализ данных функциональной магнитно-резонансной томографии (фМРТ) часто сталкивается с ограничением, обусловленным недостаточной временной точностью. Это связано с физическими принципами метода и относительно медленной гемодинамической реакцией, которую он измеряет. В результате, быстро меняющиеся нейронные процессы, лежащие в основе когнитивных функций, могут быть размыты или вовсе не зафиксированы. Из-за этого, попытки декодировать сложные мыслительные процессы, основанные исключительно на стандартном анализе фМРТ, зачастую оказываются затруднительными, поскольку не позволяют точно отследить динамику нейронной активности, необходимую для понимания причинно-следственных связей в мозге и предсказания будущих состояний.

Мозг не является пассивным отражателем внешних стимулов, а представляет собой активную предсказательную машину, постоянно формирующую ожидания относительно будущего. Эта способность к предсказанию является фундаментальной для эффективного взаимодействия с окружающей средой, позволяя организму заранее подготавливаться к вероятным событиям и оптимизировать свои реакции. Нейронные сети мозга не просто регистрируют поступающую информацию, но и создают внутренние модели мира, используемые для генерации предсказаний о том, что произойдет дальше. Расхождения между предсказаниями и реальностью порождают сигналы ошибки предсказания, которые, в свою очередь, используются для обновления и уточнения внутренних моделей, обеспечивая постоянное совершенствование способности предвидеть и адаптироваться. Таким образом, процесс восприятия является не просто пассивным приемом информации, а активным построением и проверкой предсказаний.

Натуралистичная фМРТ моделирует последовательную активность мозга как рекурсивное предсказание будущих траекторий на основе истории мозговой активности и соотнесенных сенсорных стимулов.

BrainVista: Новая Архитектура Прогнозирования

В основе BrainVista лежит фреймворк прогнозирования, использующий авторегрессионное моделирование для предсказания ответов функциональной магнитно-резонансной томографии (фМРТ). Этот подход позволяет строить прогнозы, опираясь на предыдущие временные точки данных фМРТ, эффективно моделируя динамику мозговой активности. Фреймворк осуществляет выравнивание по времени для различных модальностей данных, обеспечивая согласованность и точность прогнозов. Авторегрессионное моделирование в BrainVista позволяет прогнозировать будущие состояния мозговой активности на основе анализа прошлых состояний, что является ключевым элементом в понимании и предсказании когнитивных процессов.

В основе BrainVista лежит использование сетевых токенизаторов для снижения размерности данных фМРТ. Эти токенизаторы применяются к сигналам фМРТ внутри каждой функциональной сети, определенных организацией Yeo-7, которая выделяет семь основных функциональных сетей мозга: зрительная, слуховая, соматомоторная, контролирующая, ассоциативная, память и значимость. Токенизация заключается в сжатии временных рядов активности в каждой сети в более компактное представление, что позволяет снизить вычислительную сложность и улучшить обобщающую способность модели, сохраняя при этом наиболее важную информацию о нейронной активности внутри каждой сети.

Для обеспечения прогностической валидности, BrainVista использует маскировку «Стимул-в-Мозг» (Stimulus-to-Brain, S2B). Данный метод предотвращает утечку информации из будущего (temporal leakage) в процесс прогнозирования, гарантируя, что модель обучается исключительно на данных, доступных в момент времени, предшествующем прогнозируемому отклику мозга. S2B маскировка реализуется путем исключения из входных данных информации о текущем и последующих стимулах, тем самым обеспечивая схему обучения, основанную исключительно на прошлом (past-only conditioning). Это критически важно для оценки истинной прогностической способности модели и предотвращения завышенных результатов, обусловленных использованием будущих данных.

Ядро BrainVista представляет собой временную причинно-следственную архитектуру Transformer, использующую причинную маскировку стимул-мозг и последующий пространственный микшер для моделирования взаимодействия между нейронными сетями с целью прогнозирования последующих токенов fMRI-активности.

Декодирование Межсетевой Коммуникации

Архитектура BrainVista включает в себя явное моделирование межсетевой коммуникации (Cross-Network Communication) посредством использования Spatial Mixer Head. Этот модуль предназначен для управления потоком информации между семью функциональными нейронными сетями мозга. Spatial Mixer Head позволяет контролировать, как активность в одной сети влияет на активность в других, что обеспечивает более комплексное и реалистичное представление обработки информации в мозге. В основе данной реализации лежит предположение о том, что интеграция информации между различными сетями критически важна для когнитивных функций.

В основе BrainVista лежит архитектура, использующая Pre-LN Transformer для генерации прогнозов мозговой активности. Для эффективной обработки данных функциональной магнитно-резонансной томографии (фМРТ) применяется метод токенизации фМРТ, который разбивает данные на последовательность токенов, пригодных для обработки Transformer. Этот подход позволяет снизить вычислительные затраты и повысить эффективность модели при анализе данных фМРТ, обеспечивая возможность масштабирования для обработки больших объемов данных и сложных моделей.

Оценка производительности BrainVista на наборах данных Algonauts 2025, HAD и CineBrain продемонстрировала высокую точность предсказания активности мозга. Достигнутый показатель корреляции паттернов (Pattern Correlation, pcorr) составил до 0.3512, что свидетельствует о значительном превосходстве над базовыми методами. Кроме того, корреляция реконструкции (Reconstruction Correlation, rr) также достигла уровня 0.3512, подтверждая высокую репрезентативную способность модели и ее эффективность в воссоздании исходных данных активности мозга.

Анализ модели, выполненный на данных Algonauts 2025, агрегированных до сети Yeo-7, показывает, что точность прогнозирования (pcorr<span class="katex-eq" data-katex-display="false"> _{\mathrm{corr}}</span>, H=10) варьируется в зависимости от области мозга, а чувствительность к отдельным временным шагам, измеренная увеличением ошибки <span class="katex-eq" data-katex-display="false"> L_{2}</span>, указывает на их важность для прогнозирования, при этом пространственный микшер внимания выявляет преобладающие межсетевые связи, интенсивность которых представлена толщиной линий. — Анализ модели, выполненный на данных Algonauts 2025, агрегированных до сети Yeo-7, показывает, что точность прогнозирования (pcorr $_{\mathrm{corr}}$ , H=10) варьируется в зависимости от области мозга, а чувствительность к отдельным временным шагам, измеренная увеличением ошибки $L_{2}$ , указывает на их важность для прогнозирования, при этом пространственный микшер внимания выявляет преобладающие межсетевые связи, интенсивность которых представлена толщиной линий.

Усиление Предсказательной Силы с помощью Мультимодальной Обусловленности

В рамках BrainVista реализована мультимодальная обусловленность, позволяющая объединить данные функциональной магнитно-резонансной томографии (фМРТ) с визуальными, слуховыми и текстовыми стимулами. Для этого используются замороженные энкодеры, предварительно обученные на больших объемах данных, и механизм временной синхронизации. Такой подход позволяет системе учитывать взаимосвязь между внешними раздражителями и активностью мозга, эффективно интегрируя различные модальности информации. В результате, BrainVista способна не только фиксировать нейронные реакции, но и соотносить их с конкретными сенсорными и когнитивными процессами, что открывает новые возможности для анализа и интерпретации данных фМРТ.

Интеграция различных типов стимулов — визуальных, слуховых и текстовых — позволяет получить более глубокое представление о механизмах, посредством которых внешние воздействия формируют активность мозга и внутренние репрезентации. Исследования показывают, что мозг не просто реагирует на отдельные сенсорные сигналы, а интегрирует их в сложную модель окружающего мира. Этот процесс включает в себя не только обработку информации, но и её преобразование в устойчивые нейронные паттерны, которые формируют основу для восприятия, мышления и поведения. Понимание того, как различные стимулы взаимодействуют и влияют на мозговую активность, открывает новые возможности для изучения когнитивных процессов и разработки более эффективных методов нейровизуализации и нейромодуляции.

Основой для прогнозирования мозговой активности на длительные периоды времени в рамках данной системы является повышенная точность идентификации — показатель Cls@Top10. Этот параметр свидетельствует о способности системы сохранять и извлекать информацию о стимулах, даже спустя значительное время после их предъявления. По сути, улучшенная точность идентификации подтверждает, что внутренние представления мозга, сформированные под воздействием внешних стимулов, не только создаются, но и надежно кодируются для последующего извлечения, что является ключевым фактором успешного долгосрочного прогнозирования мозговой активности и демонстрирует потенциал системы для понимания механизмов памяти и обработки информации.

Исследования на наборе данных Algonauts 2025 показали, что использование сетевых токенизаторов и S2B-каузального внимания значительно повышает точность прогнозирования <span class="katex-eq" data-katex-display="false">pcorr_{\mathrm{corr}}</span> на временных горизонтах <span class="katex-eq" data-katex-display="false">H \in {1, 10, 20}</span> по сравнению с непрерывными данными фМРТ и другими подходами к токенизации и каузальности. — Исследования на наборе данных Algonauts 2025 показали, что использование сетевых токенизаторов и S2B-каузального внимания значительно повышает точность прогнозирования $pcorr_{\mathrm{corr}}$ на временных горизонтах $H \in {1, 10, 20}$ по сравнению с непрерывными данными фМРТ и другими подходами к токенизации и каузальности.

Исследование BrainVista демонстрирует стремление к построению моделей, предсказывающих динамику мозга, что неразделимо от попыток понять причинно-следственные связи в нейронных сетях. Это напоминает о словах Дэвида Юма: “Причина и следствие — это не столько качества, которые мы узнаём об объектах, сколько связь между нашими идеями о них.” Авторегрессионный подход, предложенный в статье, как раз и направлен на выявление этих связей, моделируя последовательность событий во времени. По сути, BrainVista пытается реконструировать внутреннюю логику работы мозга, предсказывая его реакции на стимулы, подобно тому, как взломщик анализирует систему, чтобы предсказать её поведение. Успешное моделирование долгосрочных взаимодействий между различными сетями мозга подтверждает, что понимание системы возможно через деконструкцию и анализ её составляющих.

Что дальше?

Представленная работа, безусловно, демонстрирует возможности построения прогностических моделей мозговой активности, однако истинная проверка — в выявлении не тех закономерностей, которые модель предсказывает, а тех, которые она игнорирует. Очевидно, что текущий подход, фокусируясь на авторегрессии и предсказании следующего токена, лишь приближается к пониманию сложной динамики мозга. По сути, это попытка «взломать» систему, используя лишь её видимую структуру, не затрагивая глубинные, возможно, нелинейные процессы.

Особый интерес представляет вопрос о границах применимости данной модели. Насколько она способна экстраполировать за пределы исследованных стимулов, предсказывать реакции на принципиально новые, не встречавшиеся ранее ситуации? Или же она, подобно искусственному интеллекту, застрянет в локальном оптимуме, демонстрируя впечатляющие результаты в узко определенных условиях, но терпя крах при малейшем отклонении от заданной траектории? Проблема, как всегда, в адекватности модели реальности.

Будущие исследования должны быть направлены на интеграцию принципов причинности и контрфактического анализа. Недостаточно просто предсказывать, что произойдет; необходимо понимать, почему это происходит, и какие факторы действительно влияют на мозговую активность. В конечном итоге, цель состоит не в создании более точной модели, а в реверс-инжиниринге самой реальности, лежащей в основе функционирования мозга.

Оригинал статьи: https://arxiv.org/pdf/2602.04512.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2026-02-05 07:57