Models of the Mind - How psysics, engineering and mathematics have shaped our understanding of the brain

av Grace Lindsay

Bloomsbury Publ. (2021).

Februari, 2023

Det här är en matematisk bok utan att med svår matematik skrämma slaget på naturvetenskapligt intresserade humanister. Men boken visar ändå hur matematiska beräkningar är nödvändiga för att förstå dagens neurovetenskap. Den löpande texten är inte tyngd av matematiska termer, även om det är just detta hon diskuterar, och i likhet med fysikern Richard Feynman, försöker hon pedagogiskt hålla matematiken på armbågs lucka till förmån för en dynamisk förståelse av vad det hela egentligen handlar om. Och hon lyckas rätt bra tycker jag.

Grace Lindsay är neurovetare vid University College London och med en bakgrund bland annat från Center for Theoretical Neuroscience vid Columbia University där hon forskade på matematiska modeller för sensorisk bearbetning.

Boken "Models of the Mind" är en sammanfattning och exposé över hur matematiska modeller gjort det möjligt att bättre förstå hjärnans processer, allt från beslutsfattande till minne - allt från 1800-talets experiment till dagens AI-design.

I likhet med "The Idea of the Brain" av Matthew Cobb (se min recension här), är även Grace Lindsays bok en ”interdisciplinär” text, dvs med ett brett anslag och många korta nedslag i filosofi, biologi och psykologi. Men medan Cobb fokuserar mer på historiken om hjärnforskning och hur förståelsen av hjärnan förändrats och hur hjärnmodeller utvecklats över tid, så börjar Lindsay i "Models of the Mind" nästan där Cobb slutar med hans korta kapitel ”Future”. Men det finns stora likheter, och många referenser är samma och resonemangen delvis överlappande.

Båda böckerna har t ex avsnitt om informations- och osäkerhetsteori a la Claude Shannons signal-&-symbol-entropiteori; prediktionsteori och bayesiansk statistik a la Karl Fristons kaosberäkningar och hans ”Free Energy Principle”: hur sparar ett kognitivt nätverk energi via korrigeringar av felslut (prediction error) och hur undanröjs osäkerhet vid t ex en signal/symbol som kan betyda olika i olika situationer? Vad skapar mening? Lindsay har ett långt avsnitt om perceptionspsykologins neurofunktioner med grundforskning av David Hubel och Torsten Wiesel, och Oliver Selfridge som utvecklade en modell hur hjärnan kan identifiera objekt i en bild, vilket är en av grunderna för dagens AI-teknologi, bildigenkänning, Deep Learning och inte minst: grafteorin.

Grafteori modellerar relationer mellan objekt. Den utvecklades först av den schweiziske matematikern Euler på 1700-talet och har senare utvidgats av matematiker som Sylvester och Conway. På 1900-talet blev grafteorin en gren av matematiken och innebär att man använde matematisk teknik för att förstå egenskaper hos grafer, som till exempel hur de hänger ihop, vilka cykliska mönster som finns, tid- och nätverksflöden. Detta kan användas inom en rad olika vetenskapsområden, som datavetenskap, elektroteknik och inte minst hjärnforskning med cerebrala nätverk.

Watts och Strogatz arbetade med komplexa nätverk och studiet av ”småvärldsnätverk”. Ett exempel är deras artikel från 1998, "Collective dynamics of 'small-world' networks", där man just introducerade begreppet "small-world network" vilken hade en enorm inverkan på nätverksforskningen och även på cerebrala circuits-teorier. Kopplingarna mellan matematisk nätverksteori och teorier om komplexa cerebrala nätverk omfattar analys av hjärnaktivitet vid t ex fMRI med nätverksmodeller för att förstå kognitiva processer.

Lindsays bok är ju inte en forskningsrapport, utan är för den välinformerade lekmannen fylld av tydliga och pedagogiska exempel, ibland även av en trevlig vardaglighet som gör det mer lättsmält, utan att för den skull förenkla sönder alltför naivt. Ett exempel som för hennes resonemang framåt är Milgrams tidiga studie om så kallade knutpunkter, noder, i sociala nätverk som har fått betydelse även för forskning på hjärnans neurala nätverkskretsar. Den välkända studien, och andra, visade att många människor är kopplade till varandra genom ett litet antal hubbar (alltså en small-world). Massdataforskningen har ju sedan dess fullkomligt exploderat!

Kort sagt försöker man förstå hur information bearbetas och överförs genom komplexa system. En hjärnkrets med en ”liten värld”, eller ”hubbar”, kännetecknas av att den har både starkt ”klustrade” lokala förbindelser och signaler mellan avlägsna regioner, vilket innebär att neuronerna har starkt sammankopplade närliggande grannar och också effektivt ansluter till avlägsna regioner i hjärnan, men även utanför CNS. Detta har visat sig vara vanligt i hjärnnätverk och har förknippats med förbättrad informationsbehandling och flexibilitet.

Hjärnans förmåga att predicera spelar en direkt avgörande roll för hur vi förmår att fungera över huvud taget, även socialt, vilket blir helt central kunskap vid kärnpsykiatri som vid ångest, depression och psykos, och vid neuropsykiatri, typ AST och ADHD. Ett synnerligen angeläget forskningsområde. Den gamla ”reaktionspsykologin” ger nu vika för den modernare ”prediktionspsykologin” – om man nu inte tycker att filosofen Immanuel Kant och neurofysiologen Herman von Helmholtz redan på 1800-talet i princip avgjorde denna fråga!

Forskning har alltså föreslagit att även hjärnan har en nätverksarkitektur som bygger på en-liten-värld, där det finns ett fåtal starkt sammankopplade navregioner för kommunikation med andra hjärnregioner. Denna arkitektur balanserar mellan effektivitet och robusthet i informationsbehandlingen. Karl Friston har föreslagit begreppet "hierarkiska bayesianska modeller" i hjärnans kretsar, vilket han föreslår tyder på ett fåtal starkt sammankopplade navregioner i hjärnan som spelar en avgörande roll för att bearbeta information och koppla samman olika hjärnregioner – i linje med grafteorin. Vid forskning på ångest och undvikande är det viktigt att förstå hur neurala nätverk samverkar vid excitation av ”ångestskapande” information och om det finns neurala förstärkningsmekanismer som påverkas. Grace Lindsay har därför även med ett kort historiskt och intressant sammanfattande avsnitt om klassisk pavlovsk- och operant betingningsteknik och dess betydelse för dagens forskning.

Detta är en nu pågående vetenskapsteoretisk och neurofilosofisk diskussion med t ex Anil Seth, Hugo Critchley, Andy Clark på de filosofiska barrikaderna med flera med flera; dessa nämns dock inte i Grace Lindsays bok. Inte heller nämns neuropsykologen Mark Solms, som är en udda fågel i sammanhanget men som tillsammans med Karl Friston försöker validera Freuds gamla induktiva modeller (se min recension om Solms och neuropsykoanalys här).

Lindsays bok avslutas med en spaning över Grand Unified Theories (GUT), alltså generalistiska teorier även inom neurovetenskapen, som enkelt gör anspråk att förklara komplexa system. Här nämner hon Karl Fristons ”Free energy principle” och Jeff Hawkins ”Thousand Brains” (se min korta recension här) och Integrated Information Theory”, hon är lagom skeptisk och lagom nyfiken och har båten inbjudande öppen för medseglare.

Hela boken avslutas därpå abrupt med ett matematiskt appendix för den algebraiskt svältfödde; appendixet följer varje kapitel med sammanfattande ekvationer och formelsammanställningar.