Kunstmatige neurale netwerken worden meestal gevormd door ingenieurs: ontwerpers beslissen hoe de verbindingssterkte verandert naarmate het netwerk leert van gegevens en feedback. Een nieuwe studie van MIT stelt dat deze door ontwerpers aangestuurde aanpak, hoe krachtig ook, ons misschien weinig vertelt over hoe het brein daadwerkelijk leert – en een alternatief demonstreert waarin netwerken zichzelf organiseren.
In een artikel dat op 9 oktober werd gepubliceerd in de Proceedings of the National Academy of Sciences (PNAS), laten wetenschappers van het McGovern Institute for Brain Research van MIT en het K. Lisa Yang Integrative Computational Neuroscience (ICoN) Center zien dat een kunstmatig neuraal netwerk zijn eigen leermachinerie kan bouwen. Beginnend met willekeurige verbindingen en slechts eenvoudige lokale regels volgend over hoe en wanneer verbindingen zouden moeten veranderen, heeft het netwerk zichzelf omgevormd tot een effectief informatieverwerkingssysteem. Voor meer context over dit verhaal, zie ons AI-nieuws.
Waarom biologische plausibiliteit belangrijk is
"De huidige AI-technologie werkt heel goed, maar maakt niet noodzakelijkerwijs gebruik van een leeralgoritme dat door de hersenen wordt gebruikt", zegt Qianli Liao, een postdoctoraal fellow van het K. Lisa Yang ICoN Center in de laboratoria van MIT-professoren Tomaso Poggio en Mark Harnett, en co-eerste auteur van het artikel naast MIT-onderzoeker Liu Ziyin en afgestudeerde student Yulu Gan.
Het onderscheid is van belang voor neurowetenschappers die AI-modellen willen gebruiken als vensters in de hersenen. Modern machinaal leren is afhankelijk van back-propagation, een algoritme dat volgens de meeste neurowetenschappers onwaarschijnlijk is in biologische neurale circuits. "Het brein heeft geen externe ontwerper of architect", zei Liao. "Het brein moet zichzelf organiseren. En we moeten weten hoe eenvoudige regels het brein gaan organiseren."
Het centrale argument van het team is dat de waarde van een netwerk als model van de hersenen moet worden beoordeeld aan de hand van de mate waarin het zichzelf kan organiseren – niet alleen de verbindingen, maar ook de machinerie die deze verbindingen aanpast.
Hoe het zelforganiserende netwerk werkt
De onderzoekers bouwden netwerken waarvan de structuur begint als meerdere lagen van willekeurig met elkaar verbonden, neuronachtige eenheden. Binnen elke laag gelden voor elke eenheid dezelfde eenvoudige regels voor hoe verbindingen moeten worden aangepast. "Ze communiceren gewoon met elkaar volgens die regel, en ze ontwikkelen een bepaald soort gedrag", legde Liao uit.
De regels zijn van het soort dat neurowetenschappers geloven dat hersencircuits tijdens het leren opnieuw moeten worden aangesloten – inclusief het klassieke principe dat ‘neuronen die samen vuren, met elkaar verbonden zijn’, wat betekent dat gelijktijdige activering de verbinding tussen twee neuronen versterkt.
Naarmate het netwerk leerde, ontstonden volgens deze eenvoudige regels zelfassemblerende motieven die vervolgens dienden als bouwstenen voor functionele circuits. Deze motieven reorganiseerden zichzelf vervolgens met behulp van een optimalisatiestrategie die leek op gradiëntafdaling – het foutgestuurde aanpassingsproces dat in de meeste moderne machine learning is ingebouwd – maar die voortkwam uit de eigen lokale dynamiek van het netwerk en niet uit een extern opgelegd algoritme.
Prestaties vergelijkbaar met standaardnetwerken
De cruciale test was of dit zelfgeorganiseerde systeem daadwerkelijk kon leren. Dat zou kunnen: het team toonde aan dat een zelforganiserend netwerk dat door deze lokale regels werd bestuurd, patronen leerde herkennen en beelden classificeerde, en op een niveau presteerde dat vergelijkbaar was met conventioneel ontworpen netwerken die waren getraind door middel van back-propagation.
Senior auteur Tomaso Poggio omschreef het resultaat als een potentiële brug tussen twee velden die al lange tijd dezelfde mechanismen vanuit tegengestelde richtingen achtervolgen. Als de synaptische motieven die het team voorstelt, zijn wat de hersenen gebruiken om te bereiken wat back-propagatie doet voor kunstmatige netwerken, merkte hij op, zouden onderzoekers "een sterke verbinding hebben op het niveau van fundamentele mechanismen tussen kunstmatige en natuurlijke netwerken - tussen machines en hersenen."
Van brein-computerinterfaces naar betere AI
De gevolgen lopen in beide richtingen. Voor de neurowetenschappen zou het begrijpen van de eenvoudige regels waarmee circuits zichzelf organiseren, kunnen verduidelijken hoe leren werkt – en hoe het afbreekt. Liao wijst op hersen-computerinterfaces, die tot doel hebben de communicatie te herstellen voor mensen die hun taalvaardigheid hebben verloren of die verlamde patiënten de controle over protheses laten krijgen, als een vakgebied waar het kennen van deze regels essentieel is. "Geen van deze kan werken zonder de regels achter neuron-neuron-interacties te kennen," zei hij. "Dat is niet haalbaar door alleen maar een circuit te ontwerpen dat heel goed werkt." Dezelfde kennis zou therapieën kunnen vormen voor aandoeningen waarbij leerregels worden verstoord door veroudering of ziekte.
Voor machine learning suggereren de bevindingen een onderontwikkelde ontwerpruimte. Liao waarschuwt dat een zelforganiserend netwerk niet noodzakelijkerwijs leert zoals de hersenen dat doen – maar hij beschouwt zelforganisatie als een cruciaal uitgangspunt. "Zelforganisatie is het eerste raamwerk op hoog niveau", zei hij. "Als we eenmaal goed zijn met zelforganisatie als maatstaf, kunnen we over het volgende praten." Het belangrijkste doel van de groep is het begrijpen van de hersenen, maar de kennis zou ingenieurs uiteindelijk kunnen helpen netwerken op te bouwen die beter presteren of zich op meer mensachtige manieren gedragen.
Er is ook een open vraag over granulariteit. De regels die neurale verbindingen hervormen terwijl een dier leert, kunnen per hersenregio verschillen, en ze kunnen veranderen naarmate de hersenen volwassener worden – een mogelijkheid die volgens de onderzoekers neurowetenschappers in kaart moeten brengen voordat modellen met eenvoudige regels kunnen worden gekoppeld aan specifieke biologische circuits. Dat in kaart brengen zou op zijn beurt kunnen onthullen waar en hoe de leermachinerie wordt verstoord door veroudering of ziekte, en zou informatie kunnen opleveren voor zowel preventiestrategieën als therapieën.
De studie, van het McGovern Institute for Brain Research en het K. Lisa Yang ICoN Center, werd op 13 oktober 2026 gerapporteerd door MIT News.
---
Blijf Voorop met AIHet laatste AI-nieuws, analyses en doorbraken — allemaal op één plek.
Lees meer AI-nieuws →
