Das Rauschen im Gehirn

Nach britischen Wissenschaftlern repräsentiert der Kortex die Ungewissheiten der Welt durch neuronales Rauschen und kann deshalb schnell Entscheidungen mittels Bayesscher Inferenz treffen

Einfach gedacht, würde man davon ausgehen, dass im Gehirn, wenn beispielsweise über das Auge bestimmte Erregungsmuster eintreffen, bestimmte Neuronen jeweils auf identische Weise reagieren oder feuern, wenn der Reiz bekannt ist und damit identifiziert wird. Allerdings wäre das Gehirn dann zwar sehr genau und berechenbar, aber wenig realitätstüchtig, was auch eines der Probleme der der Robotik darstellt. Tatsächlich feuern die Neuronen im visuellen Kortex beim Anblick desselben Objekts nicht auf dieselbe Weise, sondern das Erregungsmuster variiert und ähnelt der Wahrscheinlichkeit einer Poisson-Verteilung. Britische Wissenschaftler glauben, wie sie in der aktuellen Ausgabe von Nature Neuroscience (Bayesian inference with probabilistic population codes, doi:10.1038/nn1790) schreiben, dass genau mit diesem Rauschen des Gehirns dessen Leistungsfähigkeit für Wahrnehmung und Bewegung in der wirklichen Welt verbunden ist.

Die Variabilität der neuronalen Erregungsmuster ist, so die anhand Computersimulationen überprüfte These der Forscher, eine Möglichkeit, mit der Ungewissheit zurechtzukommen, mit der das Gehirn fortwährend konfrontiert ist. In der wirklichen Welt gibt es normalerweise keine Wiederholungen exakt identischer Ereignisse, daher müssen Entscheidungen auf der Grundlage von Wahrscheinlichkeiten in Bezug auf viele Variable getroffen werden, wenn es beispielsweise darum geht, eine motorische Handlung auszuführen. Studien hätten gezeigt, dass Menschen zumindest bei einfachen Aufgaben Ungewissheit bei der Kombination von Signalen in hohem Maße in ihre Entscheidungen einbeziehen und dies in einem dem Bayesschen Sinn fast optimal machen. Und eben dies würde auch auf neuronaler Ebene geschehen.

Das beobachtete Rauschen erschwert dem Gehirn also nicht die Bewältigung von Aufgaben (und die Simulation von neuronalen Schlatkreisen), sondern verbessert gerade die Berechnungen, um Entscheidungen in einer ungewissen Welt zu machen. „Man würde denken, dass das verrückt ist“, erklärt Neurowissenschaftler Alex Pouget von der University of Rochester, „weil Ingenieure stets bemüht sind, das Rauschen in ihren Schaltkreisen zu reduzieren. Dennoch ist hier die beste Berechnungsmaschine des Universums – und sie sieht furchtbar zufällig aus.“

Um mit Ungewissheit handeln zu können, müssen neuronale Schaltkreise, so der Ausgangpunkt der Wissenschaftler, Wahrscheinlichkeitsverteilungen einbeziehen und diese auf optimale Weise kombinieren oder fusionieren können, um möglichst schnell zu einer möglichst optimalen Entscheidung zu gelangen. Bayessche Berechnungen gelingen am besten, so Pouget, wenn die Daten als Poisson-Verteilung vorliegen. Wie die Neurowissenschaftler festgestellt haben, scheinen Neuronengruppen automatisch Reize durch Wahrscheinlichkeitsverteilungen zu repräsentieren, die Poisson-Verteilungen nahe kommen. Die Forscher nennen diese neuronale Repräsentationen „probabilistische Populationscodes“ (PPC), deren Variabilitäten „eine breite Klasse der Bayesschen Inferenz auf einfache lineare Kombinationen von Populationen neuronaler Aktivität reduzieren“. So würde die Kombination von Signalen im Fall eines optimalen Bayesschen Verhaltens wie bei multisensorischen Neuronen so erfolgen, dass die Antworten dieser Neuronen auf die mit einer gewissen Wahrscheinlichkeit bewerteten Signale sich zur Summe der Antworten auf die unisensorischen Inputs addieren, was einfacher zu berechnen ist, sofern die Zahl der Sensoren und der Hypothesen nicht zu groß wird. Daher wird dieser Ansatz etwa gerne in der Robotik zur Sensordatenfusion verwendet.

Die Wissenschaftler folgern daraus, dass das Gehirn offenbar die Wahrscheinlichkeiten in ein Format codiert, das die Berechnung einer Antwort einfach macht: „Der Kortex scheint in seinen Grundlagen so verdrahtet zu sein, dass er Bayessche Berechnungen so effizient wie möglich ausführen kann“, sagt Pouget. Als Beispiel verwenden die Wissenschaftler die Entscheidung, über einen Bach zu springen, wozu viele Variable mit einer gewissen Wahrscheinlichkeit in Betracht gezogen werden müssen, beispielsweise eine normale Sprungweite von 2 Metern + oder – 40 cm, eine Bachbreite von 1,90 Meter mit einer Fehlerquote von + oder – 50 cm und die Einbeziehung der Folgen, wenn man nicht weit genug springen kann. Die Neuronen oder Neuronengruppen repräsentieren bestimmte Variablen, das Gehirn zieht dann, so die Hypothese der Forscher, eine Schlussfolgerung über alle Variablen durch eine Bayessche Inferenz.

Nach Ansicht der Wissenschaftler arbeitet der gesamte Kortex auf diese Art, so dass alle neuronalen Aktivitäten von Wahrnehmen über Bewegen bis hin zum Denken oder eine Sprache Lernen letztlich auf derselben Grundlage erfolgt, dass die Ungewissheit, sofern vorhanden, durch Rauschen in Form von Poisson-ähnlichen Verteilungen repräsentiert wird, die bei Entscheidungen auf Schätzungen heruntergebrochen werden. (Florian Rötzer)

Anzeige