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

عداءان على نفس المضمار. أحدهما يبدأ من منتصف المسافة، والآخر من الصفر. من سيكون الأسرع؟ الإجابة واضحة، لكن في علم الأعصاب ظلت هذه الحيلة غير مكتشفة لفترة طويلة. كانت الشبكات العصبية التي تحاكي اتصالات دماغ ذبابة الفاكهة (الذبابة) تُعتبر أكثر مهارة في التعلم من الشبكات العشوائية. وقد أشيد بها لبدايتها السريعة وتوفيرها للوقت.

لكن الآن تم وضع العدائين على نفس خط البداية. أخذ الباحثون خريطة اتصالات دماغ ذبابة الفاكهة وقارنوها بنوعين من الشبكات العشوائية: شبكة عشوائية بسيطة، وشبكة أكثر تعقيدًا حيث يمتلك كل «عصبون» نفس عدد الاتصالات الموجودة في الدماغ الحقيقي. مع التحكم الضعيف — عندما بدأت كلتا الشبكتين من حالة مدربة مسبقًا، وكانت الشبكة العشوائية تشبه الدماغ تقريبًا من حيث الأعداد العامة — فازت البنية البيولوجية. لقد خفضت الخطأ بشكل أسرع، وأظهرت نشاطًا أعلى، وعملت بسرعة أكبر.

عندما بدأت كلتا الشبكتين التعلم من الصفر، اختفت ميزة السرعة. وعندما تم استبدال الشبكة العشوائية بشبكة لها نفس توزيع الاتصالات، اختفت أيضًا الميزة الظاهرية في النشاط. خمس شبكات عشوائية مختلفة مع الحفاظ على عدد الاتصالات أكدت: لا يوجد فرق. في السابق، تم الإبلاغ عن تفوق البنية البيولوجية، لكن الآن يتضح أن الأمر كان يعتمد على ظروف التجربة، وليس على البنية نفسها.

وهكذا، تبين أن العداء الذي حصل على أفضلية زائفة هو عداء عادي. قد تكون بنية الاتصالات في دماغ الذبابة جيدة للذبابة نفسها، لكن تفوقها على الشبكة العشوائية في مهام التعلم لم يثبت بعد. البداية العادلة وضعت الأمور في نصابها.

الملخص الأصلي

كما كتبه المؤلفون، بالإنجليزية arXiv:2604.04033

Connectome-constrained neural networks are often evaluated against sparse random controls and then interpreted as evidence that biological graph topology improves learning efficiency. We revisit that claim in a controlled flyvis-based study using a Drosophila connectome, a naive self-loop-matched random graph, and a degree-preserving rewired null. Under weak controls, in which both models were recovered from a connectome-trained checkpoint and the null matched only global graph counts, the connectome appeared substantially better in early loss, mean activity, and runtime. That picture changed under stricter controls. Training both graphs from a shared random initialization removed the early loss advantage, and replacing the naive null by a degree-preserving null removed the apparent activity advantage. A five-sample degree-preserving ensemble and a pre-training activity-scale diagnostic further strengthened this revised interpretation. We also report a descriptive mechanism analysis of the earlier weak-control comparison, but we treat it as behavioral characterization rather than proof of causal superiority. We show that previously reported topology advantages in connectome-constrained neural networks can arise from initialization and null-model confounds, and largely disappear under fair from-scratch initialization and degree-preserving controls.