Человеческий мозг работает близко к критической точке, но никогда в нее не срывается: как физики пересмотрели динамику сложных систем

Любой биологической или искусственной информационная системе, с одной стороны, необходим строгий внутренний порядок, чтобы надежно хранить информацию и поддерживать стабильность. А с другой, требуется высокая степень изменчивости, чтобы мгновенно реагировать на новые, незнакомые раздражители. В нейронауке и физике сложных систем длительное время доминирует гипотеза, утверждающая, что здоровый мозг решает эту задачу, работая в режиме критичности — то есть в точке точного фазового перехода между полностью упорядоченным и абсолютно случайным состояниями.

Теоретические расчеты показывают, что именно на этой границе нестабильности вычислительная мощность нейронных сетей, их объем памяти и способность к передаче сигналов достигают абсолютного максимума. Эта концепция стала настолько влиятельной, что сегодня она активно применяется при разработке архитектур искусственного интеллекта, в частности, в системах резервуарных вычислений.

Однако группа исследователей из Университета Гранады опубликовала работу, которая ставит под сомнение методы доказательства этой теории. Ученые обнаружили фундаментальную проблему в том, как именно современная наука анализирует активность мозга. Они математически доказали, что инструменты наблюдения в сочетании со стандартными алгоритмами обработки данных способны генерировать иллюзию сложной сетевой динамики даже там, где элементы системы вообще не взаимодействуют друг с другом.

Проблема временного разрешения и скрытых сигналов

Чтобы подтвердить или опровергнуть нахождение системы в критическом состоянии, ученые анализируют огромные массивы данных, пытаясь найти в них специфические статистические признаки. Главный из таких признаков — степенное распределение активности. В математическом смысле это означает, что в системе нет одного доминирующего масштаба взаимодействия: элементы объединяются в активные группы абсолютно разных размеров, от крошечных локальных сетей до паттернов, охватывающих всю систему целиком.

Но мозг невозможно изучать как изолированный объект. На него непрерывно воздействуют внешние раздражители и внутренние скрытые процессы. Более того, приборы, с помощью которых исследователи фиксируют нейронную активность целого мозга — в первую очередь функциональная магнитно-резонансная томография (фМРТ) — имеют свои технические ограничения. ФМРТ отслеживает изменения уровня кислорода в крови, что является очень медленным процессом по сравнению с электрической активностью самих нейронов. Современный томограф делает один замер примерно раз в полторы секунды.

Низкое временное разрешение создает эффект, который физики называют интеграцией по времени. Ученые из Гранады математически вывели, что такое усреднение сигнала превращает обычный случайный белый шум в шум цветной — то есть автокоррелированный. Автокорреляция означает, что текущее состояние измеряемого сигнала сильно зависит от его собственного состояния секунду назад. Сигнал приобретает память и становится плавным, теряя резкие скачки.

Чтобы проверить влияние этого эффекта на результаты исследований, физики построили математическую модель. Они создали систему из абсолютно независимых единиц — искусственных нейронов, между которыми были искусственно удалены любые связи. Затем на эти независимые единицы подали автокоррелированный шум, имитируя внешние скрытые сигналы.

Симуляцию ограничили коротким временным отрезком. Это важное условие, поскольку в реальных медицинских исследованиях человек не может лежать в томографе сутками, обычно сессия длится 10-15 минут, что дает всего около тысячи временных отсчетов для сотен различных зон мозга.

Результат моделирования выявил критическую уязвимость современных методов анализа. Стандартный математический аппарат — включая спектральный анализ матриц ковариации и методы феноменологической ренормализационной группы — выдал все маркеры критичности. Алгоритмы зафиксировали в данных степенное распределение и коллапс размерности. Абсолютно несвязанные элементы продемонстрировали статистическое поведение сложной, высокоорганизованной сети.

Причина этой ошибки кроется в математике случайных матриц. Когда количество наблюдаемых элементов (зон мозга) сопоставимо с количеством временных измерений (кадров томографа), а сами данные имеют высокую автокорреляцию, спектр ковариационной матрицы неизбежно искажается. Он формирует длинный хвост, который алгоритмы ошибочно принимают за признак сложной взаимосвязанной работы на краю нестабильности.

Контрольный тест и проверка реальности

Установив теоретическую возможность ошибки, исследователи перешли к анализу реальных биологических данных. Они использовали открытый датасет LEMON, содержащий записи фМРТ 136 здоровых людей. У каждого участника анализировалась активность 183 различных участков мозга на протяжении 652 временных отсчетов.

Первичное применение алгоритмов к данным каждого отдельного участника показало идеальную картину: мозг уверенно демонстрировал признаки критической динамики. Значение эффективной силы связи в системе оценивалось в 0.98 (где 1.0 — это точка полного перехода в нестабильность).

Однако затем физики применили жесткий метод валидации — тест со случайным временным сдвигом. Ученые взяли записи активности каждой зоны мозга и случайным образом сместили их временные шкалы относительно друг друга. Например, график активности затылочной доли сдвинули на двадцать секунд вперед, а лобной — на сорок секунд назад.

Этот процесс гарантированно и полностью разрушает любую реальную синхронизацию и передачу информации между участками мозга. Но при этом он полностью сохраняет внутреннюю структуру, автокорреляцию и длительность сигнала внутри каждой отдельной изолированной зоны.

Если бы наблюдаемая ранее критичность была следствием реального сетевого взаимодействия нейронов, после временного сдвига признаки сложности должны были неминуемо исчезнуть. Однако спектральный анализ сдвинутых данных показал практически тот же результат. Значение силы связи составило 0.96. Алгоритмы продолжали фиксировать сложную динамику в данных, где любые связи были искусственно уничтожены. Это однозначно доказало, что выводы о критичности, сделанные на основе индивидуальных коротких сессий фМРТ, на самом деле являются статистическим артефактом.

Коллективная динамика и субкритический режим

Чтобы увидеть реальную физическую картину работы мозга, исследователям потребовалось преодолеть фактор ограниченной выборки. Для этого они применили метод пулирования — объединили записи всех 136 участников в единый непрерывный массив данных.

При таком объединении количество наблюдаемых участков мозга осталось прежним (183 зоны), но количество временных измерений возросло в сотни раз. Отношение числа измеряемых переменных к числу отсчетов устремилось к нулю. В этих условиях статистические артефакты, вызванные автокорреляцией локальных сигналов, математически нивелируются, уступая место чистой информации о взаимодействии системы.

Расчеты на объединенном массиве данных показали иную, гораздо более точную картину. Активность человеческого мозга в состоянии покоя не лежит строго на границе нестабильности. Она является слегка субкритической. Показатель эффективной силы связи снизился до 0.88.

Это означает, что мозг функционирует предельно близко к точке фазового перехода, но сохраняет измеримую дистанцию до нее. Он не балансирует на самом краю, а оставляет себе запас стабильности, не допуская срыва в хаотичный, непредсказуемый режим работы. При этом извлеченные из объединенного массива математические показатели масштабирования с высокой точностью совпали с теоретическими предсказаниями для моделей рекуррентных нейронных сетей с линейной динамикой. Это подтверждает, что найденный субкритический режим является реальным физическим свойством нейронной ткани.

Работа исследователей из Гранады решает важнейшую методологическую проблему современной науки о данных. Она доказывает, что прямая интерпретация коротких временных рядов без учета внутренней памяти сигналов ведет к глубоко ошибочным выводам о поведении сложных систем.

Понимание того, что реальные биологические системы предпочитают работать в слегка субкритическом, а не в строго критическом режиме, меняет базовые ориентиры для разработчиков искусственного интеллекта. Инженеры получают точное математическое подтверждение того, что для достижения максимальной эффективности и надежности искусственные нейронные сети следует проектировать с небольшим запасом стабильности. Архитектуры, закладывающие эту физическую дистанцию до полной нестабильности, способны обрабатывать информацию столь же эффективно, как и человеческий мозг, сохраняя при этом баланс между способностью к адаптации и защитой от структурного разрушения.

Источник:arXiv