使用个体间变换进行模型-大脑比较

人工神经网络模型已成为大脑机制模型的有力候选。然而，在将模型激活与大脑响应进行比较的正确方法上，尚无共识。借鉴神经科学哲学领域的近期工作，我们提出了一种基于个体间变换类（Inter-Animal Transform Class, IATC）的比较方法——IATC是准确映射动物群体中个体间神经响应所需的最严格函数集。利用IATC，我们可以在候选模型的响应与脑数据之间进行双向映射，评估模型能否通过与真实个体间映射所需相同类型的变换来伪装成典型个体。我们在三种场景中识别了IATC：人工神经网络模型的模拟群体、小鼠受试者群体以及人类受试者群体。我们发现IATC能够解析神经机制的精细方面，例如非线性激活函数。最重要的是，我们发现IATC能够在实现高模型-大脑预测性的同时精准识别机制——表现为其能够分离不同脑区的响应模式，同时强对齐同一脑区在不同个体间的响应。换言之，IATC是一种存在性证明，表明在神经工程学追求高模型-大脑预测性与神经科学追求识别机制准确的大脑模型这两个目标之间，不存在固有的权衡。使用IATC引导的变换，我们获得了支持地形化深度神经网络（TDANNs）作为视觉系统模型的新证据。总体而言，IATC实现了原则性的模型-大脑比较，为深度学习大脑模型的预测成功性这一已有发现提供了语境化，同时改进了先前的模型-大脑比较方法。