Metawissenschaft neuronaler Modelle

Eine informelle Zusammenfassung einer formalen Kritik der Methodik in der Computational Neuroscience, „ Über logische Inferenz über Gehirn, Verhalten und künstliche neuronale Netze “ (2021) von Olivia Guest und Andrea Martin

Ich gehe oft hin und her, wenn ich über die Rolle der Computermodellierung nachdenke, wenn es darum geht, die Funktionsweise des Gehirns zu erklären. Ich werde von Emotionen und Vorurteilen beeinflusst, Präferenzen für Realismus ringen mit Präferenzen für Nützlichkeit. Auf der einen Seite wurden die meisten neuronalen Netzwerkalgorithmen etwas von Beobachtungen der Biologie inspiriert, also sollten sie etwas damit zu tun haben, aber auf der anderen Seite werden neuronale Netzwerke normalerweise von Ingenieuren entworfen, die mit Datenbanken für andere Ingenieure arbeiten, die mit Datenbanken arbeiten . Neuronale Netze spiegeln vielleicht eher Letzteres als Ersteres wider, aber ich bemerke eine Tendenz von Menschen, die glauben wollen, dass sie wirklich hirnähnliche Artefakte sind.

Wir sehen Bilder von humanoiden Robotern, die in vielen ML-Tutorials auf Medium verwendet werden, immer mehr unserer Geräte werden als „intelligent“ bezeichnet, und Wörter aus der Kognitionswissenschaft und Psychologie wie „Lernen“ werden synonym zwischen Maschinen und Lebewesen verwendet.

Einiges davon könnte nur Science-Fiction-Inspiration sein, ein bisschen Hype, etwas, um das Interesse der Menschen an der Informatik/angewandten Statistikforschung zu wecken (und sie zu finanzieren). Vielleicht noch problematischer wäre es, wenn Menschen, die Computer verwenden, um das Gehirn zu verstehen, rechnergestützte Neurowissenschaftler, sich in diesem Glauben verfangen würden. Genau das passiert, und worum es in Guest und Martins Papier von 2021 geht.

Wenn ein Computational Neuroscientist etwas über die Funktionsweise des Gehirns wissen möchte, neigt er dazu, mithilfe eines künstlichen neuronalen Netzes (ANN) ein Modell davon zu erstellen. Da eine riesige Menge an Daten über und von Gehirnen gesammelt wird, kann man diese Daten einfach in ein Modell eines neuronalen Netzwerks werfen, und wenn die Ergebnisse wie die Gehirndaten aussehen, muss das Modell einen Einblick in das Gehirn selbst geben , Rechts?

Die Autoren zeigen, dass sie nicht gleichwertig sind. Aufgrund des Phänomens der „mehrfachen Realisierbarkeit“ können mehrere unterschiedliche Dinge die gleiche Art von Handlung hervorrufen. Es bedeutet nicht, dass die beiden gleich sind oder dass das eine das andere erklärt. Dies ist eigentlich ein logischer Irrtum, der als Bejahung der Konsequenz bezeichnet wird .

Ein klassisches Beispiel in der klassischen Logik für ein gültiges Argument ist Modus Ponens oder „Bestätigung des Antezedens“:

Wie Sie vielleicht erraten haben, verwechselt die Bestätigung der Konsequenz die Ps und Qs auf der rechten Seite der Gleichung.

„Wenn jemand in San Diego lebt, dann lebt er in Kalifornien. Joe lebt in Kalifornien. Daher lebt Joe in San Diego“ (Wikipedia-Beispiel)

oder ab S. 6 des Papiers:

„Wenn das Modell tut, was Menschen tun, nähert sich das Modell menschlichen Verhaltens- und/oder Neuroimaging-Daten an. (Q → P).“

Das ist logisch nicht stichhaltig, aber, wie die Autoren betonen, ist es bei der computergestützten Modellierung des Gehirns fast allgegenwärtig. So sehr, dass Forscher es wirklich zu glauben scheinen, obwohl sie in Wirklichkeit „Vorhersagekraft“ mit „Erklärungskraft“ verschmelzen.

Computational Neurowissenschaftler verwenden häufig Modelle. Als Beispiel können wir uns das Programmheft der COmputational and SYstems NEuroscience ( COSYNE )-Konferenz 2021 ansehen und sehen, wie viele Zeilen mit dem Wort „Modell“ zurückgegeben werden, wenn das PDF durch das Suchwerkzeug grep und das Wortzählwerkzeug wc geführt wird :

lesspipe Cosyne2021_program_book.pdf | grep [M,m]odel | wc

Modelle sind immer noch nützlich! Sie sind die Grundlage von vielem, was Wissenschaft ist. Interpretation ist jedoch ein weiterer wichtiger Aspekt der Wissenschaft. Jeder, der „Wissenschaft betreibt“, muss in der Lage sein, unsere Methoden, Theorien und Interpretationen metawissenschaftlich zu analysieren, um sicher zu sein, dass unsere Aussagen gültig sind, und nicht einfach nur wahre Analogien zu verbreiten. In der Cognitive Computational Neuroscience, betonen Guest und Martin, besteht eine große Versuchung, dies zu tun, weil es immer noch keinen Konsens darüber gibt, was der fette, elektrifizierte Blob in unseren Köpfen tatsächlich tut. Die Menschen greifen nach der Wahrheit, obwohl wir nur Daten haben.

„Daten aus dem Gehirn sind an und für sich nicht von Natur aus mechanistisch informativ.“

Theorien können und sollten sicherlich datenbasiert sein, aber Daten reichen nicht aus, um eine Theorie darüber zu erstellen, wie etwas funktioniert. Wenn dies angenommen wird, besteht die Gefahr, dass etwas als wahr bezeichnet wird, obwohl es wirklich nur eine Annahme war, was keine Wissenschaft ist. Die Wissenschaft will erklären, den Menschen helfen, die Welt zu verstehen. Vorhersage ist nicht dasselbe wie Verstehen , obwohl es ein mächtiges Werkzeug ist, wenn es richtig verwendet wird, als Werkzeug der Erforschung, nicht der Erklärung.

Da wir, wie die Autoren betonen, noch nicht wissen, was es bedeutet, dass etwas „biologisch machbar“ ist, können wir vielleicht von dem Versuch zurücktreten, die Konzepte von biologischem NN und künstlichem NN zu vermischen, bis mehr darüber erfahren wird Ersteres und letzteres für das, was es am besten kann: riesige Datenmengen rechnerisch verarbeiten.

Es gibt eine Reihe von Anwendungen von ANNs auf neurowissenschaftliche Daten, die nicht als Erklärungen gedacht sind. EEG-Zeitreihenanalyse zur Vorhersage von Dingen wie Anfällen, automatisches Parsen von MRT-Daten zum Auffinden schwer zu erkennender Läsionen, Auffinden verborgener zeitlicher Muster in Spike-Train-Rhythmen usw. Auf diese Weise kann die theoretische Neurowissenschaft mit „neurokognitiver Plausibilität“ zur Theorie und Modellerstellung zurückkehren ” von Anfang an im Kopf, anstatt Modelle, die aus “technischen Zielen” geboren wurden.

Ist die Entwicklung schlanker Roboter das grundlegende Ziel der Computational Neuroscience? Ich denke nicht, dass es sein sollte. Ich würde hoffen, dass das Ziel darin besteht, das Gehirn, den Verstand und die Leben, die sie benutzen, zu verstehen. Metawissenschaftliche Arbeiten wie dieses Papier sind sehr wichtig, um die Wissenschaftler auf dieses Ziel auszurichten. Wissenschaft* neigt dazu, in der Gesellschaft eine Praxis der „Wahrheitsfindung“ zu sein, daher sollte es oberste Priorität haben, sicherzustellen, dass sie tatsächlich wahr ist und nicht nur coole Darstellungen, die wahr erscheinen .

(*inklusive Data Science)