📄 معروضة نسخة «بسيط» — «متقدم» غير جاهزة بعد. أضفه إلى المفضّلة للمساعدة في تسريعها. اطلب التحليل الكامل

لا تتعامل الخلايا العصبية في الدماغ والعقد في الشبكات العصبية الاصطناعية مع 'نعم' و'لا' فقط، بل مع كميات تتغير بسلاسة: أين يقع الشيء بالضبط، وما حجمه. لكن الاستجابة العصبية شيء متقلب: فالمثير نفسه يسبب دفعات نشاط مختلفة قليلاً في كل مرة. كيف يُستخرج من هذه الفوضى معلومات دقيقة؟

نشاط مجموعة من الخلايا العصبية يشبه رسمًا على الرمل. الرياح، أي الضوضاء، تعمل باستمرار على طمس الخطوط. المهمة هي تخمين ما تم رسمه من الرسم المطموس: أين كان الجسم وكم كان حجمه. طوّر مؤلفو العمل جهازًا رياضيًا يقيّم مدى جودة إمكانية القيام بذلك، بناءً على كيفية ترتيب 'الرسومات' لمواقع وأحجام مختلفة بالنسبة لبعضها البعض. كلما كانت هذه الأنماط أبعد عن بعضها البعض وأكثر وضوحًا في انفصالها، كان فك الترميز أكثر موثوقية.

طُبقت النظرية على تسجيلات حقيقية لنشاط الخلايا العصبية في القشرة البصرية لقرد المكاك. اتضح أنه كلما تقدمت الإشارة من المناطق البصرية الأولية إلى مناطق أعلى، زادت القدرة على فك ترميز موقع وحجم الجسم. يبدو أن الدماغ 'يفكك' المعلومات تدريجيًا، مما يجعلها أكثر سهولة في القراءة.

في النهاية، نحصل على جسر بين النشاط العصبي الخام والسلوك: ترتبط هندسة الاستجابات العصبية ارتباطًا مباشرًا بمدى دقة قدرة الدماغ على الإبلاغ عما يراه.

الملخص الأصلي

كما كتبه المؤلفون، بالإنجليزية arXiv:2603.10956

Brains and artificial neural networks compute with continuous variables such as object position or stimulus orientation. However, the complex variability in neural responses makes it difficult to link internal representational structure to task performance. We develop a statistical-mechanical theory of regression capacity that relates linear decoding efficiency of continuous variables to geometric properties of neural manifolds. Our theory handles complex neural variability and applies to real data, revealing increasing capacity for decoding object position and size along the monkey visual stream.