Neue Forschungsergebnisse zeigen, warum man nicht perfekt sein muss, um die Arbeit zu erledigen

Neue Forschungsergebnisse zeigen, warum man nicht perfekt sein muss, um die Arbeit zu erledigen

Dieser Artikel wurde von Science überprüft Bearbeitungsprozess
Und Richtlinien.
Herausgeber Folgende Merkmale wurden hervorgehoben und gleichzeitig die Glaubwürdigkeit des Inhalts sichergestellt:

Faktencheck

Von Experten begutachtete Veröffentlichung

vertrauenswürdige Quelle

Korrekturlesen


Aufbau integrierter Verhaltensprogramme. (a) Oben: Der Spielraum für Strategien zur Lösung der Aufgabe kann groß sein, wobei viele Strategien gut genug funktionieren. Unten: Die Untersuchung der Beziehungen zwischen Strategien kann Einblicke in die Verhaltensvariabilität zwischen Tieren und Aufgaben liefern. (b) Allgemeine Aufgabenstellung: Das Tier zieht Rückschlüsse auf verborgene Eigenschaften der Umgebung, um sein Handeln zu leiten. (c) Spezifische Aufgabenstellung: Das Tier ernährt sich von zwei Verkaufsstellen, deren Belohnungswahrscheinlichkeiten sich im Laufe der Zeit ändern. (d) Eine uneingeschränkte optimale Strategie besteht aus einer optimalen Strategie kombiniert mit einem idealen Bayes’schen Beobachter. (e) Wir formulieren eine eingeschränkte Strategie als kleines Programm, das eine endliche Anzahl interner Zustände verwendet, um Aktionen basierend auf vorherigen Aktionen und Beobachtungen auszuwählen. (f) Jedes Programm erstellt Aktionssequenzen abhängig von den Ergebnissen vorheriger Aktionen. (g) Die ideale uneingeschränkte Strategie (d) kann in ein Miniprogramm übersetzt werden, indem die vom idealen Bayes’schen Beobachter durchgeführte Glaubensaktualisierung differenziert und mit der optimalen Verhaltensrichtlinie gekoppelt wird. Oben: Optimale Glaubensaktualisierung. Mitte: Glaubenswerte können in diskrete Zustände (gefüllte Kreise) unterteilt werden, die nach der von ihnen angegebenen Aktion kategorisiert werden (blau vs. grün). Die Glaubensaktualisierung bestimmt Übergänge zwischen Zuständen, abhängig davon, ob eine Belohnung erhalten wird (durchgezogene vs. gestrichelte Pfeile). Unten: Zustände und Übergänge, die im Bayes’schen Programm dargestellt werden. (H) Oben: Ein 30-Staaten-Programm nähert sich der hypothetischen Modernisierung in (G) an und weist zwei Integrationstendenzen auf, die als zunehmendes Vertrauen in beide Optionen interpretiert werden können. Unten: Ein Bayesianisches Programm mit zwei Zuständen, Win, Stay, Lose (WSLG), führt weiterhin die gleiche Aktion aus, wenn es gewinnt (d. h. eine Belohnung erhält), und wechselt die Aktionen, wenn es verliert (d. h. keine Belohnung erhält). (I) Beispiel für ein Verhalten, das durch das 30-Staaten-Bayes-Programm in (H) erzeugt wird. Kredit: Fortschritt der Wissenschaft (2024). doi: 10.1126/sciadv.adj4064

× Schließen


Aufbau integrierter Verhaltensprogramme. (a) Oben: Der Spielraum für Strategien zur Lösung der Aufgabe kann groß sein, wobei viele Strategien gut genug funktionieren. Unten: Die Untersuchung der Beziehungen zwischen Strategien kann Aufschluss über Verhaltensunterschiede zwischen Tieren und Aufgaben geben. (b) Allgemeine Aufgabenstellung: Das Tier zieht Rückschlüsse auf verborgene Eigenschaften der Umgebung, um sein Handeln zu leiten. (c) Spezifische Aufgabenstellung: Das Tier ernährt sich von zwei Verkaufsstellen, deren Belohnungswahrscheinlichkeiten sich im Laufe der Zeit ändern. (d) Eine uneingeschränkte optimale Strategie besteht aus einer optimalen Strategie gekoppelt mit einem idealen Bayes’schen Beobachter. (e) Wir formulieren eine eingeschränkte Strategie als kleines Programm, das eine endliche Anzahl interner Zustände verwendet, um Aktionen basierend auf vorherigen Aktionen und Beobachtungen auszuwählen. (f) Jedes Programm erstellt Aktionssequenzen abhängig von den Ergebnissen vorheriger Aktionen. (g) Die ideale uneingeschränkte Strategie (d) kann in ein Miniprogramm übersetzt werden, indem die vom idealen Bayes’schen Beobachter durchgeführte Glaubensaktualisierung differenziert und mit der optimalen Verhaltensrichtlinie gekoppelt wird. Oben: Optimale Glaubensaktualisierung. Mitte: Glaubenswerte können in diskrete Zustände (gefüllte Kreise) unterteilt werden, die nach der von ihnen angegebenen Aktion kategorisiert werden (blau vs. grün). Die Glaubensaktualisierung bestimmt Übergänge zwischen Zuständen, abhängig davon, ob eine Belohnung erhalten wird (durchgezogene vs. gestrichelte Pfeile). Unten: Im Bayes’schen Programm dargestellte Zustände und Übergänge. (H) Oben: Ein 30-Staaten-Programm nähert sich der hypothetischen Modernisierung in (G) an und weist zwei Integrationstendenzen auf, die als zunehmendes Vertrauen in beide Optionen interpretiert werden können. Unten: Ein Bayesianisches Programm mit zwei Zuständen, Win, Stay, Lose (WSLG), führt weiterhin die gleiche Aktion aus, wenn es gewinnt (d. h. eine Belohnung erhält), und wechselt die Aktionen, wenn es verliert (d. h. keine Belohnung erhält). (I) Beispiel für ein Verhalten, das durch das 30-Staaten-Bayes-Programm in (H) erzeugt wird. Kredit: Fortschritt der Wissenschaft (2024). doi: 10.1126/sciadv.adj4064

Wenn Neurowissenschaftler über die Strategie nachdenken, mit der ein Tier eine Aufgabe ausführen könnte – etwa Nahrung finden, Beute jagen oder durch ein Labyrinth navigieren –, schlagen sie oft ein einziges Modell vor, das bestimmt, wie das Tier die Aufgabe am besten erfüllen kann.

Aber in der realen Welt wenden Tiere – und Menschen – möglicherweise nicht die optimale Methode an, was ressourcenintensiv sein kann. Stattdessen verwenden sie eine Strategie, die gut genug ist, um die Aufgabe zu lösen, aber viel weniger Gehirnleistung erfordert.

In Neue Suche erscheint in Fortschritt der WissenschaftJanelia-Wissenschaftler wollten herausfinden, wie ein Tier über die beste Strategie hinaus ein Problem erfolgreich lösen kann.

Die Arbeit zeigt, dass es eine Vielzahl von Möglichkeiten gibt, wie ein Tier die einfache Aufgabe der Nahrungssuche bewältigen kann. Außerdem wird ein theoretischer Rahmen für das Verständnis dieser verschiedenen Strategien geschaffen, wie sie zueinander in Beziehung stehen und wie sie dasselbe Problem unterschiedlich lösen.

Die Forscher fanden heraus, dass einige dieser nicht optimalen Optionen zur Erledigung einer Aufgabe in etwa auf die gleiche Weise funktionieren wie eine optimale Strategie, jedoch mit viel weniger Aufwand, wodurch die Tiere mehr Zeit haben, wertvolle Ressourcen für die Bewältigung mehrerer Aufgaben einzusetzen.

„Sobald Sie sich vom Perfektionismus befreit haben, werden Sie überrascht sein, wie viele Möglichkeiten es gibt, ein Problem zu lösen“, sagt Zhouxuan Ma, ein Postdoktorand im Hermundstad-Labor, der die Forschung leitete.

Der neue Rahmen kann Forschern dabei helfen, diese „gut genug“-Strategien zu untersuchen, einschließlich der Frage, warum verschiedene Personen unterschiedliche Strategien anpassen, wie diese Strategien zusammenarbeiten könnten und wie sich die Strategien auf andere Aufgaben übertragen lassen. Dies könnte helfen zu erklären, wie das Gehirn Verhalten in der realen Welt ermöglicht.

„Viele dieser Strategien sind Strategien, von denen wir nie gedacht hätten, dass sie diese Aufgabe lösen könnten, aber sie funktionieren so gut, dass es durchaus möglich ist, dass Tiere sie auch nutzen könnten“, sagt Anne Hermundstad, Leiterin der Janelia Gruppe. „Sie geben uns ein neues Vokabular zum Verständnis von Verhalten.“

Der Blick geht über die Perfektion hinaus

Die Forschung begann vor drei Jahren, als Ma sich fragte, welche unterschiedlichen Strategien ein Tier anwenden könnte, um eine einfache, aber häufige Aufgabe zu erfüllen: die Wahl zwischen zwei Optionen, bei denen sich die Chance auf die Belohnung mit der Zeit ändert.

Die Forscher waren daran interessiert, eine Reihe von Strategien zu untersuchen, die zwischen optimalen und völlig zufälligen Lösungen liegen: „Mikroprogramme“, die über begrenzte Ressourcen verfügen, aber dennoch ihre Arbeit erledigen. Jedes Programm definiert einen anderen Algorithmus, um die Handlungen des Tieres auf der Grundlage früherer Beobachtungen zu steuern und so als Modell für das Verhalten des Tieres zu fungieren.

Wie sich herausstellt, gibt es viele solcher Programme – etwa eine Viertelmillion. Um diese Strategien zu verstehen, untersuchten die Forscher zunächst eine Reihe leistungsstärkster Strategien. Überraschenderweise stellten sie fest, dass sie dasselbe taten wie die ideale Strategie, obwohl sie weniger Ressourcen verbrauchten.

„Wir waren ein wenig enttäuscht“, sagt Ma. „Wir haben die ganze Zeit damit verbracht, uns diese kleinen Programme anzusehen, und sie alle folgen den gleichen Berechnungen, die die Fachwelt bereits ohne großen Aufwand mathematisch abzuleiten wusste.“

Doch die Forscher waren bestrebt, die Forschung fortzusetzen, da sie ein starkes Gespür dafür hatten, dass es Programme geben musste, die gut waren, sich aber von der idealen Strategie unterschieden. Als sie sich über die besten Programme hinaus umsahen, fanden sie, wonach sie suchten: etwa 4.000 Programme, die in diese Kategorie „gut genug“ fielen. Am wichtigsten ist, dass mehr als 90 % von ihnen etwas Neues gemacht haben.

Sie hätten dort aufhören können, aber eine Frage eines ihrer Janelianer-Kollegen veranlasste sie: Wie konnten sie wissen, welche Strategie das Tier anwendete?

Diese Frage veranlasste das Team, sich eingehender mit dem Verhalten einzelner Programme zu befassen und einen strukturierten Ansatz zum Nachdenken über die gesamten Strategien zu entwickeln. Sie entwickelten zunächst eine mathematische Methode, um die Beziehungen von Programmen untereinander durch ein Netzwerk zu beschreiben, das verschiedene Programme miteinander verbindet. Als nächstes untersuchten sie das in den Strategien beschriebene Verhalten und entwickelten einen Algorithmus, um zu erkennen, wie sich ein solches „gut genug“-Programm aus einem anderen entwickelte.

Sie fanden heraus, dass kleine Änderungen in einem optimierten Programm zu großen Verhaltensänderungen bei gleichbleibender Leistung führen können. Wenn einige dieser neuen Verhaltensweisen auch für andere Aufgaben nützlich sind, deutet dies darauf hin, dass dieselbe Software gut genug sein könnte, um eine Reihe unterschiedlicher Probleme zu lösen.

„Wenn man sich vorstellt, dass ein Tier kein Spezialist ist, der darauf optimiert ist, nur ein Problem zu lösen, sondern vielmehr ein Generalist, der viele Probleme löst, ist das eine wirklich neue Art, das zu untersuchen“, sagt Ma.

Die neue Arbeit bietet Forschern einen Rahmen, um über idealisierte individuelle Verhaltensprogramme von Tieren hinaus zu denken. Jetzt konzentriert sich das Team darauf, zu untersuchen, inwieweit die Miniprogramme auf andere Aufgaben übertragen werden können, und neue Experimente zu entwerfen, um festzustellen, welches Programm ein Tier verwenden könnte, um eine Aufgabe in Echtzeit auszuführen. Sie arbeiten auch mit anderen Janelia-Forschern zusammen, um ihren theoretischen Rahmen zu testen.

„Letztendlich ist ein solides Verständnis des Verhaltens von Tieren eine Voraussetzung dafür, zu verstehen, wie das Gehirn verschiedene Arten von Problemen löst, darunter auch einige, die unsere besten künstlichen Systeme, wenn überhaupt, nur ineffizient lösen“, sagt Hermundstad. „Die größte Herausforderung besteht darin, dass Tiere möglicherweise ganz andere Strategien anwenden, als wir zunächst vermuten, und diese Arbeit hilft uns, diesen Raum an Möglichkeiten aufzudecken.“

Mehr Informationen:
Zuhsuan Ma et al., Ein weites Feld kombinierter Strategien für eine effektive Entscheidungsfindung, Fortschritt der Wissenschaft (2024). doi: 10.1126/sciadv.adj4064

Informationen zum Magazin:
Fortschritt der Wissenschaft


Siehe auch  Zusätzliche Außerirdische auf Jupiters Mond? Um das herauszufinden, plant die NASA eine Untersuchung

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert