Стратегия последовательного контроля, вдохновленная насекомыми, позволяет искусственной сети из четырех нейронов оценить численность

Пчелы могут сосчитать четыре или пять предметов, выбрать большее или меньшее число, им знаком «ноль». Новое исследование показывает, что «интеллект» пчёл и других насекомых может быть опосредован небольшим числом нейронов, если они связаны друг с другом правильным образом. Чтобы понять, как пчёлы могут считать, доктор Вера Васас (Vera Vasas) из лондонского Университета королевы Марии и доктор наук Ларса Читтка (Lars Chittka) из Wissenschaftskolleg zu Berlin смоделировали на компьютере «мозг» с четырьмя «нейронами», что гораздо меньше, чем у настоящей пчелы. Система легко подсчитывала небольшое количество предметов, осматривая их последовательно, в то время как люди смотрят на предметы и считают их вместе. По словам Веры Васас, модель показывает, что для счёта требуются не высокий интеллект и сложный мозг, а правильно соединённое небольшое число нейронов.

Резюме

Различные уровни численного познания были обнаружены у нескольких видов животных. В частности, утверждалось, что пчелы способны считать до четырех предметов и решать сложные численные задачи. Здесь мы представляем чрезвычайно простую нейронную схему, которая при наличии фактического визуального входа, который получает пчела при выполнении задачи, может сделать надежные оценки количества элементов на дисплее. Таким образом, мы предполагаем, что элегантность численного решения задач у пчел может заключаться не в формировании числовых понятий (таких как “больше”, “меньше” или “ноль”), а в использовании конкретных движений полета для сканирования целей, что упрощает визуальный ввод и поэтому делает задачу подсчета вычислительно недорогой. Тщательное изучение фактических стратегий контроля, используемых животными, может показать, что животные часто используют активное поведение сканирования в качестве ярлыков для упрощения сложных задач визуальной дискриминации.

Введение

Численное познание традиционно считается более высокой когнитивной способностью, возможно, из-за его связи с самыми передовыми интеллектуальными достижениями человека. Однако символическая, основанная на языке математика, которую мы используем, по-видимому, коренится в предрасположенности к использованию количественной информации без символического представления, которая существует у дореволюционных младенцев и в культурах, которые не используют символы для подсчета (Dehaene, 2001, Feigenson et al., 2004). Растущий объем экспериментов показывает, что широкий спектр животных обладает похожим “числовым смыслом".” Не только птиц (Нидер, 2018, Пепперберг, 2006, ругани, 2018) и млекопитающих (Мацузава, 2009, Нидер, 2018) или других крупных мозгом животных, а также рыбой, лягушками/жабами, и даже насекомые, с миниатюрными мозгами были показаны, чтобы иметь возможность принимать решения, основываясь на численности (пересмотрена в Agrillo и Бизацца, 2014, Agrillo и Бизацца, 2018, пал и соавт., 2013, Rose, 2018, Skorupski et al., 2018). Пчелы, в частности, проявляют счетные способности и могут быть обучены поиску пищи по заданному числу ориентиров (Читтка и Гейгер, 1995, Даке и Шринивасан, 2008, Менцель и др., 2010) или о стимуле с заданным числом элементов (Скорупский и др., 2018) и может использовать количество элементов в качестве критерия решения в задаче соответствия выборке (Gross et al. 2009,). В последнее время медоносные пчелы утверждают, что даже понимают числовые понятия “меньше”, “больше” и “ноль” как число (Howard et al., 2018).

Однако, насколько сложна численное познания с точки зрения neurocomputational? Алгоритмы компьютерного зрения, часто основанные на сверточных нейронных сетях, широко используются для подсчета объектов в изображениях и предлагают хорошую отправную точку для решения этого вопроса (например, Dijkstra et al., 2018 и ссылки в нем). Большинство из этих алгоритмов полагаются на обнаружение объектов, а затем подсчитывают обнаруженные экземпляры, но поскольку такие методы явно используют символическую математику, они недоступны для мозга животных. Однако компьютерное зрение также доказало, что можно надежно оценить количество объектов без обнаружения и локализации отдельных экземпляров объекта, используя, например, плотность изображения (Лемпицкий и Циссерман, 2010, Рахнемоонфар и Шеппард, 2017). Что касается необходимого размера нейронной сети, Дехэн и Чанге (1993) предложили формальную модель всего из 480 нейронных единиц (плюс 50 входных единиц) для учета элементарных численных способностей младенцев и животных. Эта модель может извлечь приблизительную численность от изображений, до 5 деталей. Представляется вероятным, что восприятие числительности является основным атрибутом зрительных систем (Burr and Ross, 2008) и возникает спонтанно при обучении нейронных сетей кодированию статистических свойств изображений (Стоянов и Зорзи, 2012).

Здесь мы исследуем, как последовательная обработка уменьшает размер нейронного оборудования, необходимого для базового подсчета. Представляется вероятным, что пчелы не могут извлечь сложные визуальные свойства паттерна “с первого взгляда” (Nityananda et al., 2014); они проверяют элементы узора с близкого расстояния (Guiraud et al., 2018, Ings et al., 2012) и один за другим (Skorupski et al., 2018). Если такая стратегия инспекции действительно универсальна, она имеет глубокие последствия для сложности визуальных задач. Мы представляем простую абстрактную модель только из четырех нейронных единиц, которая при наличии ответов, которые известные низкоуровневые визуальные нейроны могли бы произвести во время такого последовательного сканирования, способна соответствовать производительности пчел в сложной задаче численного упорядочения (Howard et al., 2018, Skorupski et al., 2018). Выход этой сети достаточен для того чтобы различить между численностями до 4-6, производит соотвествующую реакцию к пустому комплекту (“нул”), и воспроизводит закон Weber различимости номера.
Результаты

В нашей простой модели (Рис. 1) работают только четыре независимых нейронных единиц (которые мы будем называть нейронами для простоты). Он способен имитировать счетные способности пчел-при условии, что он получает последовательный визуальный ввод счетных элементов. Первый нейрон представляет собой широкопольный (угол зрения 60°) нейрон, который суммирует ответы набора фазических клеток узкого поля мозга (Arenz et al. 2017,). Нейроны со сходными свойствами были обнаружены во втором и третьем зрительные ганглии (мозг и lobula) насекомых (Дуглас и Strausfeld, 2003, Хертель, 1980, полк и соавт., 2009a, Yang and Maddess, 1997). Этот фазический нейрон "яркости" реагирует на изменения яркости в пределах своего восприимчивого поля. Модель не ограничена этим специфическим типом входного сигнала а обеспечит соответствующие результаты при использовании входного сигнала от глобального детектора яркости или детектора края (диаграммы S1). Нейрон” яркость рабочей памяти "получает сильный возбуждающий вход от нейрона” яркость" и питается обратно к себе; таким образом, его реакция будет близка к максимуму, когда пчела сталкивается с изменением интенсивности света. Нейрон "подсчета рабочей памяти “также питается сам собой, но он лишь слабо стимулируется нейроном” яркости"; таким образом, его реакция будет пропорциональна числу перемещений пчелы между темными и светлыми областями. Обратите внимание, что числа не регистрируются как целые числа, а накапливаются как величины (как в приближенной системе счисления, описанной у людей для оценки численностей выше 4; Фейгенсон и др., 2004). Наконец, нейрон” оценка "возбуждается нейроном” яркость рабочей памяти" и ингибируется нейроном” подсчет рабочей памяти". Таким образом, нейрон” оценки " накапливает информацию о стимуле во время его осмотра пчелой, и таким образом этот нейрон обеспечивает постоянно обновляющуюся оценку численности стимула (Рис.1).

Рис. 1. Простая нейронная модель для подсчета

Фазический нейрон "яркость" извлекает изменение яркости из визуального входа. Нейроны рабочей памяти во втором слое являются рекуррентными и, таким образом, поддерживают экспоненциально затухающие следы памяти. Нейрон” память яркости работая "получает сильный входной сигнал от нейрона "яркости", и сигнализирует недавние изменения в яркости. Нейрон "подсчет рабочей памяти “получает слабый вход от нейрона” яркость", и таким образом накапливает информацию об изменениях яркости в течение более длительного периода. Наконец, нейрон” оценка "вычитает" подсчет рабочей памяти " из " яркость рабочей памяти."Его реакция обратно пропорциональна количеству изменений яркости, и при правильном визуальном вводе он обеспечивает онлайн-оценку численности стимула.

Траектория полета пчелы и результирующая визуальная последовательность ввода имеют решающее значение для создания правильной оценки. Недавний эксперимент (Skorupski et al., 2018) проанализировали траектории полета пчел при выборе паттернов с разным количеством элементов и пришли к выводу, что пчелы осматривают элементы паттерна последовательно, Пролетая над каждым элементом один раз. Кроме того, пчелы держат очень близко к картине во время сканирования (Guiraud et al., 2018, Ings et al., 2012). Мы предположили расстояние просмотра 1-2 см; с этого расстояния восприимчивое поле нашего широкопольного нейрона в 60° покрывает только 1,2-2,3 см в диаметре стимула. Таким образом, его вход похож на движущиеся прожектора через шаблон (Рис. 2).

Рис. 2. Оценка численности в задаче подсчета

Используя реалистичный визуальный ввод и следуя простым правилам интерпретации оценки, предоставляемой нейронной сетью, модель может предоставить достаточно информации для воспроизведения решений, принятых пчелой в задаче подсчета от Skorupski et al. (2018).

А) траектория полета пчелы, обученной выбирать два предмета, а не четыре. Пчела осматривает каждый предмет один за другим, Пролетая над ними на расстоянии 1-2 см. Во время тренировки пчелу награждали сахарным раствором, спрятанным в лунке посередине правильного стимула (обозначенного маленьким кружочком). Когда стимул выбран, пчела парит перед отверстием, пытаясь питаться от него; когда она отвергнута, она оставляет стимул, не пытаясь питаться. Воспроизведено из Skorupski et al. (2018).

B) пример набора визуальных входных данных для модели во время сканирования. С небольшого расстояния, с ограниченным полем зрения, визуальный ввод сродни перемещению прожектора по изображению.

(C) ответы нейрона “яркость” (серая линия), нейрона “яркость рабочей памяти” (пунктирная линия), нейрона “подсчет рабочей памяти” (пунктирная линия) и нейрона “оценка” (черная линия) для траектории полета, показанной в (A). Решения о посадке на стимул (светло-серая стрелка) принимаются, когда сканирование завершено (больше нет предметов в поле зрения), и реакция нейрона “оценка” высока (выше примерно 0,8 здесь). Решения оставить стимул (черные стрелки) срабатывают, когда “оценка” опускается ниже порога (примерно 0,8 здесь). Когда пчела решает оставить стимул, сеть сбрасывается, и она активируется, как только пчела покинула стимул.

Наша сеть выводит оценку числительности, которая может быть использована для решения ряда различных типов задач количественной оценки (подсчет, равен, меньше или больше) в зависимости от того, как реакция нейрона “оценка” интерпретируется в процессе принятия решений. Для задачи” выбрать два не четыре " из Skorupski et al. (2018), мы использовали правило, что пчела побуждается оставить стимул, если реакция нейрона “оценка” падает ниже критического уровня (примерно 0,8 здесь). Это может произойти, если пчела пропустила больше предметов, чем она ищет (>3 предмета здесь), и когда она искала награду за сахар без успеха достаточно долго, чтобы рабочая память ухудшилась. Мы также предполагаем, что пчела приземлится на стимул, если она завершит сканирование, не будучи вынужденной отказаться от него. В любом случае, решение уйти или найти сахарную награду сбросит сеть, ингибируя как” яркость рабочей памяти“, так и” подсчет рабочей памяти " нейронов. Используя эти предположения, мы находим, что модель надежно предсказывает отклонения и посадки, показанные в Skorupski et al. (2018) на основе визуальной информации во время ее полета (Рис. 2). Те же самые выходы модели могут быть использованы для выбора “большего числа” или “большего” путем инвертирования правила принятия решения, т. е. пчела должна оставить стимул после завершения сканирования, но приземляется на него, как только оценка опускается ниже порога. Кроме того, тот же метод может быть использован для учета ориентиров (Читтка и Гейгер, 1995, Даке и Сринивасан, 2008). Здесь пчела смотрит на большие ориентиры издалека, а не на мелкие предметы с близкого расстояния; поведенческое правило-прерывать полет и посадку, когда реакция “оценки” нейрона опускается ниже порога.

Затем мы обратили внимание на недавнее исследование, в котором пчелы преуспели в задачах численного упорядочения (включая адекватный ответ на ноль), которое было интерпретировано авторами как указывающее, что пчелы образуют понятия “меньше”, “больше” и “ноль” (Howard et al., 2018). Траектории полета не были записаны в этой статье, заставляя нас вместо этого предположить идеализированную траекторию полета на основе правил сканирования, описанных в Skorupski и др. (2018), один, который проходит над каждым элементом один раз, на расстоянии зависания 2 см. Решение о посадке на Фидер определяется значением” оценки " нейрона после завершения сканирования. Для задачи "меньше" решение о Земле будет определяться высокой стоимостью, в то время как задача” больше " будет определяться более низкой стоимостью. Обратите внимание, что сеть не сравнивает два набора стимулов; вместо этого решение относительно каждого стимула принимается независимо на основе его общей оценки. Мы смоделировали вход в нейронную сеть, который может возникнуть в результате полета по пути сканирования, и рассчитали выход из” оценочного " нейрона, чтобы предсказать вероятность выбора шаблона. Для стимулов, используемых в Howard et al. (2018), оценки численности модели соответствуют производительности пчел (Рисунок 3 и таблица S1—задача“меньше”; для задачи “больше” см. таблицу S1). Точность модели при выборе из двух стимулов следует закону Вебера, который гласит, что точность, как ожидается, улучшится с численным расстоянием. Наконец, модель надежно оценивает "ноль “(пустой лист) по сравнению с другими числами в задаче” меньше". Наша подсчетная сеть фактически превзошла поведение реальных пчел; они не смогли выбрать ноль над двумя в исходном эксперименте.

Рис. 3. Оценка численности в задаче численного упорядочения

Модель воспроизводит выбор пчелы в сложной задаче численного упорядочения из Howard et al. (2018), включая предпочтение пустого стимула ("ноль") и растущий успех дискриминации с увеличением численного расстояния

А) оценка стимулов, использованных в модели Howard et al. (2018)показывает уменьшающуюся реакцию с увеличением числа. Каждый стимул содержит различное число (0-6) элементов различной формы (круг, треугольник или квадрат). Были использованы 1, 3, 15 или 21 индивидуальный паттерн на номер. Точки представляют собой” оценочные " реакции на каждый паттерн, черные линии обозначают их средние значения, а серые области-стандартные отклонения. Мы предположили, что пчела сканирует каждый шаблон, Пролетая над каждым элементом один раз, как описано в Skorupski et al. (2018).

(B) если пчела выбирает шаблоны для сканирования случайным образом и приземляется с вероятностью, прямо пропорциональной состоянию “оценочного нейрона” в конце сканирования, распределение посадок на нуле по сравнению с другими числами следует закону различимости чисел Вебера (как показано в Howard et al., 2018). Обратите внимание, что это правило принятия решений не предполагает сравнения двух стимулов.

Обсуждение

Модель основывается на предположении, что при подсчете пчелы сканируют элементы паттерна последовательно и посещают каждый элемент один раз (предложено в работе Скорупского и др., 2018). Имеются данные, свидетельствующие о том, что такое поведение сканирования может потребоваться для извлечения данных визуального шаблона. Время, необходимое пчелам для решения задачи визуальной дискриминации, увеличивается с усложнением задачи (Ings et al., 2012, Nityananda et al., 2014), указывая, что они используют своего рода поведение последовательного сканирования. Как пчелы наблюдают элементы рисунка с расстояния всего в несколько сантиметров (Guiraud et al., 2018, Ings et al.(2012), большая часть картины будет из поля зрения пчел в любой момент времени, предлагая по-одному стратегию осмотра. Как пчелы узнают, какой элемент узора они уже посетили, еще не полностью понято; однако, как они могут явно не пересмотрит ранее опустошали фидеры (Lihoreau и соавт., 2012) и ранее опорожняли нектары внутри один цветок основанный на их положении (Bar-Shai et al., 2011), мы ожидаем, что они смогут использовать свою рабочую память, чтобы избежать повторных посещений элементов шаблона. Стратегии визуального контроля, используемые другими нечеловеческими животными при подсчете, остаются неисследованными; однако имеются данные о том, что животные следуют заданному визуальному пути во время выполнения задач распознавания объектов (у кур; Dawkins and Woodington, 2000). В целом, поведение последовательного сканирования, описанное в Skorupski et al. (2018) может быть вариантом более универсальной стратегии, кооптированной и адаптированной к задаче подсчета.

Модель предлагает несчетную оценку величины, аналогичную базовой системе 1, которую люди используют для аппроксимации больших чисел, а не основную систему 2, которую мы используем для дискриминации небольшого числа элементов “с первого взгляда” (субитизация) (Фейгенсон и др., 2004; но см. Gallistel и Gelman, 2000 для аргумента о том, что обе системы используют оценку величины). Поскольку успех дискриминации, как ожидается, будет зависеть только от соотношения в первом случае, и это было доказано для пчел в недавних экспериментах (Howard et al., 2018), есть некоторая поддержка такого рода реализации, но потребуются дополнительные эксперименты. Рассмотрим, однако, что есть и другие известные примеры схем приблизительной оценки величины в мозге насекомых. Муравьи, например, измеряют расстояние, интегрируя количество шагов (Wittlinger et al., 2006, Wittlinger et al., 2007), в то время как пчелы отслеживают общее количество движения изображения в боковых областях своего поля зрения (Srinivasan et al., 1997, Stone et al. 2017,). "Счетчик предметов" может использовать ту же нейронную архитектуру, что и эти дальномеры, или даже напрямую набирать визуальную дистанцию.

Важнейшим элементом нашей нейронной архитектуры является реализация этого "счетчика элементов" в виде рекуррентной схемы рабочей памяти. Аналогичные конфигурации были найдены в мозге насекомых (Douglass and Strausfeld, 2003, Eichler et al., 2017, Gr?newald, 1999, Haag и Borst, 2001), а также рекуррентные микросхемы были предложены для выполнения роли единиц памяти, кодирующих расстояние, пройденное во время интеграции пути (Stone et al. 2017,). В нашей модели повторение создает экспоненциально затухающую трассировку памяти, которая может быть изменена дальнейшими входными данными. Поведенческие эксперименты с использованием парадигмы замедленного сопоставления с образцом показали, что рабочая память пчел (ранняя кратковременная память) действительно ухудшается экспоненциально и исчезает менее чем за 10 с (Raine and Chittka, 2011, Zhang et al. 2005,). В нашей модели мы использовали один нейрон (как теоретизировано в Loewenstein и Sompolinsky, 2003). Однако рабочая память, скорее всего, будет реализована группой рекуррентно связанных нейронов. Объем памяти таких рекуррентных нейронных сетей, называемых Эхо-состояниями, зависит от их размера и уровня шума (Jaeger, 2002); небольшая сеть, получающая неизбежно шумный визуальный ввод, соответствует ограниченным возможностям подсчета пчел и многих других видов.

Расположение зрительной рабочей памяти в мозге пчелы неизвестно. Для обонятельного обучения в качестве наиболее вероятных участков рабочей памяти/ранней кратковременной памяти были определены антенные доли (Erber et al., 1980, Менцель, 1999); скорее всего, аналоговые сайтов в визуальный путь будет в продолговатом или lobula. В продолговатом, периодически проводной нейроны могут существовать в слое серпантин (Дуглас и Strausfeld, 2003); в lobula, во внутренних слоях (Хааг и Борст, 2001). Есть данные, что в Центральном комплексе (Liu et al., 2006); для пчел, Stone et al. (2017) выдвинул аргумент в пользу рекуррентной микросхемы, служащей блоком памяти в интеграторе путей в Центральном комплексе. Линейные нейроны, которые мы использовали здесь, способны к меньшему количеству вычислений, чем более сложный нейрон, и даже если нам нужно увеличить количество нейронов рабочей памяти на порядок, чтобы уравновесить нейронный шум, необходимые десятки нейронов все равно легко поместятся в оптических долях или центральном комплексе. Два простых рабочих контура памяти, каждый из которых получает один и тот же вход, только взвешенный по-разному, могут быть легко кооптированы для подсчета нейронами в грибном теле (Eichler et al., 2017, Gr?newald, 1999; представлен в нашей модели как один” оценочный " нейрон). Подводя итог, можно сказать, что нейроны тех типов, которые необходимы для нашей простой теоретической модели, действительно существуют в мозге насекомого. Хотя вполне вероятно, что более четырех нейронов участвуют в реальных задачах подсчета (возможно, с несколькими аналогичными цепями, работающими параллельно), такая схема все равно не будет чрезмерно дорогой для размещения в мозге насекомого.

Преимущество явного описания возможной нейронной архитектуры заключается в том, что такая модель дает проверяемые прогнозы. Наша модель делает следующие прогнозы (среди прочих). (1) Счетная схема мы предложили реализуется на основе дальтоник путь движения, и поэтому должны использовать только длинноволновый-чувствительный рецептор входы и быть дальтониками, а также (полк и соавт., 2008, Paulk et al., 2009 г.: B). (2) сигнал Цепи памяти деятельности которая действует как "счетчик деталя" ухудшает в геометрической прогрессии с временем; таким образом вводить задержки во время развертки предположены, что причиняет пчелу недооценить численность. (3) мы предлагаем, чтобы пчела адаптировала свое сканирование к стимулу таким образом, чтобы входной шум был минимальным; принуждение пчелы к измененному маршруту сканирования (например, просмотр стимула с большего расстояния, чем идеально) должно ухудшить производительность. (4) модель принимает решение приземлиться на стимул, основываясь на его численности, без прямого сравнения двух стимулов. При соответствующей настройке этого решающего правила достаточно для надежного выбора меньшего или большего числа, но его нельзя использовать для выбора среднего числа из трех чисел; таким образом, пчелы должны потерпеть неудачу в своей задаче.

Пятьдесят лет назад способность к изучению понятий считалась исключительно человеческой и признаком высшей формы интеллекта. Теперь мы знаем из поведенческих экспериментов, что пчелы могут решить задержку соответствия образцу (Gross et al., 2009), одинаковость/различие (Giurfa et al., 2001) и выше / ниже задач (Avargu?s-Weber et al., 2011), и может рассчитывать и экстраполировать на ноль (Howard et al., 2018), но поведенческие стратегии, с помощью которых они это делают и действительно ли они требуют формирования концепций, - это отдельный вопрос. Наша искусственная нейронная сеть из нескольких узлов, при наличии правильно структурированного визуального ввода, может решать множество задач, не требуя какой-либо концепции или “понимания"."Модель демонстрирует этот принцип, применяемый к подсчету и численному упорядочению; однако подсчет-не единственная учебная задача, вычислительная сложность которой была поставлена под сомнение в последнее время. После просмотра изображения пчелы могут различать одно и то же и новое изображение и могут быть обучены выбирать одно и то же или другое, задача, которая, по-видимому, требует понятий одинаковости и различия (Giurfa et al. Тем не менее, работа по моделированию предложила простую, но нейробиологически правдоподобную схему, которая соответствует характеристикам пчел и не требует обработки сверху вниз (Cope et al., 2018). В пространственной концептуальной задаче” сверху и снизу " пчелы должны решить, находится ли какой-либо объект выше или ниже референта (Avargu?s-Weber et al., 2011). Недавнее поведенческое исследование, которое изучало траектории полета пчел во время выполнения этой задачи (Guiraud et al., 2018) предложил, чтобы пчелы могли превратить задачу пространственных отношений в простую задачу дискриминации, только проверив нижнюю часть любого шаблона и приняв решение на основе того, является ли это референтом (выше которого находится рассматриваемый элемент, поэтому ответ “выше”) или что-то еще (таким образом, ответ “ниже”). Медоносные пчелы, как было показано, выборочно отказаться от принятия выбора, когда они не уверены, признак metacognition; однако авторы утверждают, что поведением может управлять та же нейронная цепь, которая реализует простое ассоциативное обучение (Perry and Barron, 2013). Хотя часто утверждается, что когнитивные способности коррелируют с размером мозга (см., например, Kotrschal et al., 2013 для примера о численных способностях в гуппи), наши результаты и эти исследования показывают, что, казалось бы, передовые когнитивные характеристики могут быть достигнуты с чрезвычайно малыми схемами. Если это так, то следует тщательно пересмотреть потенциальное эволюционное преимущество больших мозгов (Chittka and Niven, 2009).

В сравнительном познании мало значения имеет оценка сложности когнитивной задачи на основе того, насколько сложно использовать символическое человекоподобное мышление. Что заслуживает нашего внимания, так это репертуар врожденных и изученных поведенческих процедур, которые животные используют при выполнении задачи, и сложность задачи с точки зрения нейрокомпутации. В этих рамках мы показали, что подсчет и численное упорядочение являются вычислительно недорогими, если животное использует активное последовательное сканирование элементов шаблона. Здесь мы изучали сканирующее поведение пчел; аналогично простые вычислительные решения могут лежать в основе численного познания у других животных, которые используют активное сканирование (например, Читтка и Скорупски, 2017, Докинз и Вудингтон, 2000, Гегенфуртнер, 2016). Кроме того, мы показали, что подсчет не должен опираться на внутреннее представление понятий. Последовательное сканирование резко снижает потребность в нейронном оборудовании, необходимом для решения задачи. Мы пришли к выводу, что активное сканирующее поведение может играть важную роль даже в самых сложных когнитивных задачах. Будущие исследования в области сравнительного познания должны выиграть от смещения фокуса с того, что может сделать животное, на то, как оно это делает, и исследовать тонкости последовательного процесса принятия решений (Читтка и др., 2012).
Ограничения исследования

(1) параметры модели были выбраны, чтобы продемонстрировать, что схема способна оценивать численность, но мы не исследуем процессы обучения или другие процессы, которые приводят к появлению синаптических весовых параметров. (2) мы не проверяем устойчивость модели к изменениям входных стимулов, кроме тех, которые присущи стимулам, используемым в Skorupski et al. (2018) и Howard et al. (2018). Мы решили опустить эти тесты, так как для реалистичной оценки надежности модели потребуется больше информации о поведении сканирования (и, следовательно, визуальном вводе) и нейронной реализации, чем доступно.
Методы

Все методы можно найти в прилагаемом дополнительном файле прозрачных методов.
Подтверждения

Мы благодарим Винсента Галло, Хади Мабуди, Фей Пэн, Марка Ропера и Мари Гиро за дискуссии, которые привели к идеям, описанным в этой статье. Это исследование было поддержано программой HFSP грант (RGP0022/2014), программой совет грант мозги-бортовой (ЕР/P006094/1), и грант Европейского исследовательского совета SpaceRadarPollinator (339347).
Вклад Автора

Концептуализация, В. В. и С. Л.; методологии, В. В.; письмо – оригинальный проект, В. В., написания и редактирования, В. В. и Л. С.
декларация интересов

Авторы не заявляют о наличии конкурирующих интересов.

Источник: www.sciencedirect.com

Комментарии: