Резонанс мышления: как мозг находит причинно-следственные связи

Автор: Денис Аветисян

Новое исследование показывает, что синхронизация нейронных колебаний является ключевым фактором в понимании того, как мы распознаем причинно-следственные связи в окружающем мире.

Параметр порядка Курамото, отражающий синхронизацию фаз, демонстрирует чёткую временную структуру с провалами десинхронизации около 0.1 секунды и множественными резонансными пиками, в то время как традиционный анализ потенциалов, зарегистрированных на поверхности головы, показывает лишь шум, указывая на то, что он скрывает лежащую в основе фазовую организацию сигналов мозга.

Статистический анализ показывает, что синхронизация нейронных фаз, измеряемая параметром Курамото, предсказывает амплитуду электрической активности мозга, подтверждая гипотезу о возникновении понимания через резонанс в стохастических системах.

Современные системы искусственного интеллекта превосходно выявляют корреляции, но испытывают трудности с пониманием причинно-следственных связей, что часто называют проблемой «Кеплера против Ньютона». В работе «Принцип резонанса: эмпирические доказательства возникновения фаговой синхронизации в человеческом причинном мышлении» предлагается новая теоретическая основа, в которой понимание причинности возникает в стохастических системах с внутренними функциями стоимости. Показано, что фаговая синхронизация, измеряемая параметром Курамото, статистически независима от амплитуды потенциалов, но сильно предсказывает их величину, подтверждая идею о том, что понимание возникает как результат резонанса в стохастических системах. Может ли фаговая синхронизация быть фундаментальным механизмом, лежащим в основе когнитивных процессов и объясняющим способность человека к причинному мышлению?

Резонанс познания: от символов к динамике

Традиционные подходы в когнитивной науке часто оперируют дискретными символьными манипуляциями, рассматривая познание как обработку информации, подобную работе компьютера. Однако, этот подход зачастую не способен адекватно отразить динамическую и воплощенную природу мышления. Мышление не является просто последовательностью логических операций над абстрактными символами; оно глубоко связано с телесным опытом, сенсорными ощущениями и взаимодействием с окружающей средой. Подобная символическая модель игнорирует тот факт, что когнитивные процессы формируются и изменяются под влиянием постоянного потока информации от тела и внешнего мира, и не учитывает роль нелинейных и самоорганизующихся систем в формировании сознания. В результате, возникает разрыв между теоретическими моделями познания и сложной, адаптивной реальностью человеческого мышления.

Принцип резонанса постулирует, что когнитивные процессы не являются результатом дискретных вычислений, а возникают из стабильных резонансных мод внутри фундаментально стохастической, то есть вероятностной, системы. Представьте себе поверхность воды, где случайные колебания, под воздействием определенных частот, усиливаются и формируют устойчивые волны – аналогично, в мозге, случайная активность, находясь в определенных состояниях, усиливается и стабилизируется, формируя паттерны, которые и являются основой познания. Вместо того, чтобы искать «что» вычисляется, данный подход сосредотачивается на “как” вычисления возникают из физической динамики, предлагая модель, более соответствующую биологической реальности и позволяющую объяснить гибкость и адаптивность мышления. $f = \sqrt{k/m}$ – подобная физическая формула отражает суть принципа: стабильность возникает из баланса между силами и инерцией, а не из жестко заданных инструкций.

Вместо того чтобы рассматривать познание как обработку дискретных символов, данный подход переориентирует внимание на механизмы, посредством которых вычисления возникают из физических процессов. Исследование показывает, что когнитивные функции не являются результатом заранее заданных программ, а скорее – эмерджентными свойствами динамических систем, находящихся в состоянии резонанса. Это позволяет предложить более правдоподобную биологическую модель, где «вычисления» не происходят «в» мозге, а являются следствием его физической организации и взаимодействий с окружающей средой. Такой взгляд позволяет объяснить гибкость и адаптивность познавательных процессов, а также их тесную связь с телесностью и опытом, поскольку стабильные паттерны резонанса формируются и изменяются под влиянием сенсорных входных данных и моторных действий.

Количественная оценка резонанса: от сигналов к синхронизации

Электроэнцефалография (ЭЭГ) представляет собой неинвазивный метод регистрации электрической активности головного мозга, фиксируя суммарные электрические сигналы, отражающие нейронную динамику. Эти сигналы формируются за счет синхронной активности большого числа нейронов, и регистрируются с помощью электродов, размещенных на коже головы. ЭЭГ позволяет оценить как амплитуду, так и частоту этих колебаний, предоставляя информацию о различных состояниях мозга, включая бодрствование, сон и патологические состояния. Разрешение ЭЭГ ограничено, поскольку сигналы подвержены пространственному и временному размытию из-за проводимости тканей головы, однако метод остается ценным инструментом для исследования активности мозга в реальном времени, благодаря своей высокой временной разрешающей способности и относительной простоте применения.

Для количественной оценки степени фазовой синхронизации в данных ЭЭГ используется параметр Курamoto. Данный параметр, обозначаемый как $R$, представляет собой комплексную величину, модуль которой отражает среднюю когерентность между отдельными нейронными осцилляторами. Значение $R$ изменяется в диапазоне от 0 до 1, где 0 указывает на полное отсутствие синхронизации, а 1 – на полную синхронизацию. Вычисление параметра Курamoto позволяет выявить доминирующие резонансные моды в данных ЭЭГ, определяя степень согласованности фаз колебаний нейронных популяций и, таким образом, предоставляя информацию о функциональной связности мозга.

Использование преобразования Гильберта для извлечения фазы сигнала позволяет перейти от анализа простой амплитуды электроэнцефалограммы (ЭЭГ) к исследованию координированной активности нейронных популяций. Преобразование Гильберта вычисляет аналитический сигнал, представляющий собой комплексную функцию, из которой можно определить мгновенную фазу. Анализ фазы, в отличие от анализа амплитуды, позволяет оценить степень синхронизации между различными областями мозга, выявляя моменты, когда нейроны когерентно колеблются. Это критически важно, поскольку именно координация нейронной активности, а не только интенсивность сигналов, лежит в основе многих когнитивных процессов и является индикатором функциональной связности мозга. Извлечение фазы позволяет количественно оценить эту координацию и выявить резонансные моды в ЭЭГ-данных.

Анализ 500 испытаний показал сильную положительную корреляцию (r=0.59) между пиковым значением RR и амплитудой ERP, что указывает на то, что фазовая синхронизация может предсказывать амплитуду напряжения.

Подтверждение подхода: выявление резонансных сигнатур

Анализ вызванных потенциалов (ВП), применяемый к данным электроэнцефалограммы (ЭЭГ), позволяет выделить специфические реакции мозга на конкретные стимулы и изучить их резонансные свойства. ВП измеряют электрическую активность мозга, усредненную по множеству повторений одного и того же стимула, что позволяет отделить сигнал от фонового шума. Анализ амплитуды и временных характеристик ВП предоставляет информацию о нейронных процессах, связанных с обработкой стимула. Изучение этих реакций в контексте фазовой синхронизации, оцениваемой с помощью параметров Курamoto, дает возможность исследовать, как резонансные моды влияют на когнитивные функции и обработку информации мозгом. Данный подход позволяет выявить корреляции между активностью мозга и специфическими когнитивными процессами, что способствует лучшему пониманию механизмов работы мозга.

Анализ вызванных потенциалов (ВП) в сочетании с корреляцией с параметром порядка Курамото показал, что когнитивная обработка связана с увеличением фазовой синхронизации нейронных колебаний. Данный подход позволил выявить, что при выполнении когнитивной задачи наблюдается усиление согласованности фаз электрической активности мозга, что подтверждает гипотезу о роли синхронизации в процессах обработки информации. Увеличение фазовой синхронизации, измеренное параметром Курамото, коррелирует с амплитудой ВП, указывая на то, что процессы, отраженные в ВП, тесно связаны с динамикой фазовой синхронизации в нейронных сетях.

Наблюдаемый “Резонансный Сигнал” предоставляет эмпирическое подтверждение гипотезы о том, что стабильные резонансные моды лежат в основе когнитивных функций. Подтверждение получено посредством корреляционного анализа Пирсона, который выявил корреляцию на уровне отдельных попыток (trials) равную $r = 0.590$ при $p < 0.0000$. Данный результат указывает на статистически значимую связь между мерами фазовой синхронизации, полученными с помощью параметра Курамото, и амплитудой вызванных потенциалов (ERPs), что позволяет предположить, что когнитивная обработка информации связана с усилением когерентной активности мозга на определенных частотах.

Анализ корреляции Пирсона между параметром порядка Курамото и амплитудой вызванных потенциалов (ВП) показал значение 0.048 (p < 0.05). Это указывает на статистическую независимость между синхронизацией фаз нейронных колебаний, отражаемой параметром Курамото, и амплитудой ВП. Иными словами, наблюдаемая связь между этими показателями не является статистически значимой и может быть обусловлена случайными колебаниями, что подтверждается значением p, находящимся на грани статистической значимости.

Для проведения указанных анализов, включая обработку данных ЭЭГ и вычисление параметров порядка Курамото, используются программные пакеты MNE и SciPy. MNE (Minnesota Neonatal EEG) предоставляет инструменты для предобработки и анализа данных ЭЭГ, включая фильтрацию, артефактный анализ и вычисление событийных потенциалов (ERP). SciPy, в свою очередь, обеспечивает функциональность для численных вычислений, статистического анализа и реализации алгоритмов, необходимых для расчета параметров порядка Курамото, используемых для оценки фазовой синхронизации. Комбинация этих пакетов позволяет эффективно обрабатывать данные и проводить количественную оценку резонансных свойств когнитивных процессов.

Ограниченная агентность и динамика познания

Принцип резонанса, в сочетании с концепцией ограниченной агентности, постулирует, что когнитивные возможности фундаментально ограничены присущим шумом и несовершенством стохастической основы, на которой они построены. Это означает, что обработка информации не является абсолютно точной или неограниченной, а подвержена влиянию случайных флуктуаций и внутренних ограничений системы. Вместо идеального вычисления, когнитивные процессы функционируют в условиях постоянной неопределенности, где сигналы смешиваются с шумом, а ресурсы для обработки информации всегда ограничены. Таким образом, когнитивная способность не является безграничной, а определяется способностью системы находить и поддерживать резонансные состояния в условиях стохастической среды, эффективно отфильтровывая шум и оптимизируя обработку информации в рамках существующих ограничений.

В условиях неизбежного шума и ограничений, присущих любой когнитивной системе, итеративные механизмы обратной связи играют ключевую роль в адаптации и оптимизации её состояния. Агент, функционирующий в такой среде, постоянно корректирует свои действия на основе внутренней функции стоимости – своеобразного «встроенного» критерия эффективности. Эта функция оценивает степень соответствия текущего состояния желаемому, побуждая систему к саморегуляции и поиску наиболее устойчивых, резонансных состояний. По сути, процесс напоминает непрерывную настройку, в которой агент, посредством обратной связи, минимизирует «затраты» энергии или ресурсов, стремясь к оптимальному балансу между стабильностью и гибкостью. Такой подход позволяет когнитивным системам не только справляться с непредсказуемостью окружающей среды, но и активно использовать её для улучшения своей производительности и адаптивности.

Предлагаемый подход предоставляет принципиально новую основу для понимания адаптации и обучения когнитивных систем. Вместо рассмотрения познания как процесса, стремящегося к абсолютной точности, он акцентирует внимание на оптимизации функционирования в условиях неотъемлемых ограничений и шумов. Когнитивные системы, согласно этой перспективе, не стремятся к идеальному решению, а максимизируют эффективность своей деятельности, находя оптимальные резонансные состояния в рамках доступных ресурсов и неизбежных помех. Это означает, что обучение рассматривается как процесс настройки внутренних механизмов для достижения наилучшего результата при заданных ограничениях, а не как простое накопление информации. Такой взгляд позволяет переосмыслить процессы принятия решений, восприятия и обучения, подчеркивая важность внутренней стоимости и ограничений, влияющих на когнитивную деятельность.

Фазовая синхронизация играет центральную роль в понимании механизмов когнитивных процессов. Исследования показывают, что эффективная обработка информации и адаптация к окружающей среде напрямую связаны с согласованностью колебаний в различных областях мозга. Когда нейронные ансамбли достигают фазовой синхронизации, их совместная активность усиливается, что позволяет более эффективно передавать и обрабатывать сигналы. Это процесс не требует жесткой когерентности, а скорее предполагает динамическое выравнивание фаз колебаний, позволяющее системе поддерживать гибкость и устойчивость к шуму. $ω_i = ω_j$ – пример упрощенного представления синхронизации частот. Таким образом, фазовая синхронизация является ключевым механизмом, посредством которого когнитивные системы организуют свою деятельность, максимизируя эффективность при ограниченных ресурсах и в условиях неопределенности.

К резонансным нейрокомпьютерным интерфейсам

В качестве надежной платформы для изучения принципов резонанса в нейрокомпьютерных интерфейсах (НКИ) широко используется задача “Орфографический спеллер P300”. Эта задача, основанная на электроэнцефалографии (ЭЭГ), позволяет регистрировать потенциалы P300 – специфические мозговые волны, возникающие в ответ на определенные стимулы. Изучение динамики этих потенциалов в контексте резонансных явлений позволяет исследователям оптимизировать сигналы, получаемые от мозга. Благодаря относительно простоте реализации и высокой информативности, задача “Орфографический спеллер P300” предоставляет уникальную возможность для разработки и тестирования новых алгоритмов, направленных на усиление взаимодействия между мозгом и внешними устройствами, открывая перспективы для создания более интуитивных и эффективных НКИ.

Исследования показывают, что оптимизация работы интерфейса «мозг-компьютер» (ИМК) для достижения резонансных состояний мозга может значительно улучшить качество получаемых сигналов и, следовательно, повысить точность управления. Принцип заключается в том, что когда частота стимуляции или задачи совпадает с естественными ритмами мозга, амплитуда электроэнцефалографических (ЭЭГ) сигналов увеличивается, делая их более различимыми и менее подверженными помехам. Такая синхронизация позволяет ИМК более эффективно «считывать» намерения пользователя, что особенно важно при выполнении сложных задач, таких как управление протезами или коммуникация для людей с ограниченными возможностями. Использование резонансных частот способствует более плавной и интуитивно понятной связи между мозгом и устройством, снижая когнитивную нагрузку и повышая эффективность взаимодействия.

Для проведения данных экспериментов, направленных на исследование резонансных принципов в нейрокомпьютерных интерфейсах, данные о напряжении являются основополагающими. Измеряемое напряжение, регистрируемое с помощью электроэнцефалографии (ЭЭГ), представляет собой непосредственное отражение электрической активности мозга в ответ на стимулы. Анализ этих вольтажных колебаний позволяет исследователям идентифицировать и отслеживать специфические нейронные паттерны, связанные с когнитивными процессами, такими как концентрация внимания и принятие решений. Точное измерение и интерпретация вольтажа критически важны для определения степени резонанса, возникающего в мозге во время выполнения задач, и для оптимизации работы нейрокомпьютерного интерфейса, что в конечном итоге способствует повышению точности и эффективности взаимодействия между мозгом и машиной. Изменения в амплитуде и частоте вольтажных сигналов служат ключевыми индикаторами для оценки степени вовлеченности мозга и адаптации параметров интерфейса.

Перспективное направление в разработке нейрокомпьютерных интерфейсов заключается в создании систем, гармонично взаимодействующих с естественными динамическими процессами мозга. Вместо принудительной адаптации мозга к работе с интерфейсом, предлагается подход, основанный на выявлении и усилении резонансных состояний. Такой интерфейс способен воспринимать и интерпретировать мозговую активность более эффективно, поскольку он учитывает присущие мозгу частоты и паттерны. Это позволяет создать более интуитивное управление, снизить когнитивную нагрузку на пользователя и, как следствие, значительно повысить точность и скорость работы интерфейса, открывая возможности для применения в протезировании, реабилитации и других областях, где требуется тесное взаимодействие между человеком и машиной.

Исследование демонстрирует, что причинно-следственное восприятие возникает не столько из мощности нейронных сигналов, сколько из их согласованности – принципа резонанса. Подобно тому, как отдельные маятники, синхронизируясь, создают единый ритм, нейронные осцилляции, находясь в фазовой синхронизации, формируют когерентное целое, порождающее понимание. Ричард Фейнман однажды заметил: «Вещи, которые кажутся сложными, обычно таковыми не являются, если вы понимаете, как они работают». Данная работа, используя параметр Курамото для измерения фазовой синхронизации, подтверждает эту идею: понимание возникает не из сложности отдельных элементов, а из их взаимосвязанной организации, из способности системы к самоорганизации и резонансу. Все взаимосвязанное рано или поздно падет синхронно – и в данном случае, синхронность является ключом к возникновению когнитивных процессов.

Куда же дальше?

Представленные данные, конечно, демонстрируют корреляцию, но не объясняют саму природу возникающего порядка. Измерение параметра Курамото позволяет лишь констатировать факт синхронизации фаз, оставляя в тени вопрос о том, что является первичным – синхронизация или лежащий в основе стохастический субстрат. Вполне возможно, что кажущаяся причинность обратна: не синхронизация порождает амплитуду, а амплитуда, будучи проявлением неустойчивости, создает иллюзию порядка, измеряемого параметром Курамото. Долгосрочная стабильность, наблюдаемая в системах с высокой степенью синхронизации, должна вызывать не радость, а тревогу – ведь это признак надвигающейся катастрофы, скрытой в глубинах стохастического шума.

Следующим шагом видится отказ от поиска «причин» в пользу исследования динамики переходов между состояниями. Необходимо сосредоточиться на детальном анализе флуктуаций, а не на усредненных показателях. Представляется перспективным использование методов нелинейной динамики для выявления аттракторов и границ хаоса в пространстве состояний нейронных сетей. Попытки «построить» систему, стремящуюся к оптимальному состоянию, обречены на провал. Необходимо научиться «выращивать» ее, позволяя ей эволюционировать в неожиданных формах.

И, наконец, стоит задуматься о границах применимости самого понятия «понимания». Если понимание – это лишь эмерджентное свойство сложной системы, то что остается от субъекта, стремящегося к познанию? Возможно, сама постановка вопроса о «понимании» является иллюзией, порожденной нашим стремлением к упорядочиванию хаоса.

Оригинал статьи: https://arxiv.org/pdf/2511.10596.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2025-11-16 14:17

🚀 Квантовые новости