мозок тримається поблизу критичної межі

Уявіть систему, що балансує на межі між порядком і хаосом — достатньо організована, щоб стабільно функціонувати, але достатньо хаотична, щоб гнучко реагувати на несподівані стимули. Саме таку «солодку точку» фізики давно шукали в мозку під назвою «критична точка». Нове дослідження у Physical Review Letters зробило два важливих кроки: виявило, що багато «доказів» критичності в нейронних даних насправді є артефактами, — і довело, що справжня критичність все одно існує, але в дещо іншій формі.

Що відомо коротко:

• Дослідження виявило, що дві поширені ознаки критичності у нейронних даних — аналіз власних значень коваріаційної матриці і феноменологічна ренормалізаційна група — можуть виникати навіть у повністю відключених системах без жодної справжньої колективної динаміки
• Часова автокореляція сигналів і обмежений обсяг вибірки разом здатні мімікрувати статистичні сигнатури критичності, навіть якщо між регіонами мозку немає зв’язку
• Застосування нового фреймворку до fMRI-даних 136 здорових учасників (LEMON dataset, 183 регіони мозку) підтвердило: ефективна сила зв’язку g ≈ 0,88, де 1,0 позначає критичну точку — мозок справді поблизу, але нижче порогу
• Рандомізація часових зсувів після аналізу майже повністю знищила ці сигнатури, підтверджуючи їхню справжню колективну природу

Що таке «критична точка» і чому мозку вигідно біля неї перебувати

У фізиці критична точка — це стан переходу між двома фазами: наприклад, між намагніченим і розмагніченим станом феромагнетику при нагріванні. Саме в цій точці система демонструє максимальну чутливість до зовнішніх збурень, найдовші кореляції між частинами і найбагатшу динаміку.

Теорія «критичного мозку» стверджує: нейронні мережі налаштовані саме на таку точку переходу — між «надто стабільним» (активність згасає) і «надто хаотичним» (активність розбігається). У цьому стані мозок мав би отримувати максимальну гнучкість, обчислювальну потужність і чутливість до слабких сигналів.

Ця концепція навіть вплинула на штучний інтелект, зокрема на резервуарні обчислення, де мережі біля «межі хаосу» зазвичай показують найкращу продуктивність.

Але з’явилось питання: а чи справжня ця критичність у даних мозку? Чи є вона артефактом вимірювань?

Деталі відкриття

Рубен Кальво Ібаньес з Університету Гранади і його команда взялись розплутати це питання систематично.

Дослідники побудували модель активності мозку без зв’язків між регіонами — в такій відключеній системі немає механізму для колективної динаміки. Але якщо вхідні сигнали кожного регіону мали довгий час автокореляції, видимі показники масштабування могли безперервно змінюватись разом з цим часом — а не через справжню критичність.

Для fMRI ця проблема особливо гостра: BOLD-сигнал inherently повільний, а сеанси запису короткі — ідеальні умови для хибних сигнатур критичності.

Команда запропонувала три практичних інструменти перевірки: рандомізацію часових зсувів (кожен регіон перемішується незалежно — справжня координація між регіонами руйнується, але повільні флуктуації зберігаються), об’єднання даних учасників для збільшення ефективного числа точок і порівняння показників масштабування з передбаченнями рекурентної моделі.

Що показали нові спостереження

Результати були чіткими. Справжні майже критичні сигнатури виникали на рівні популяції з ефективною силою зв’язку приблизно 0,88, де 1,0 позначає критичну точку. Після рандомізації часових зсувів ці сигнатури майже повністю зникли, підтверджуючи, що в оригінальних даних відображалась справжня колективна динаміка, а не артефакти.

Чому мозок тримається нижче критичної точки, а не точно в ній? Відповідь виявилась елегантною: «Робота поблизу критичної точки може зберігати багато запропонованих обчислювальних переваг — такі як багатомасштабні колективні режими та сильне, але контрольоване підсилення, — уникаючи при цьому недоліків точного знаходження в критичній точці, де малі збурення можуть призводити до нестабільності, неконтрольованої активності або зниженої надійності», — пояснив Кальво.

Чому це важливо для науки

Відкриття важливе на кількох рівнях. По-перше, воно закриває давнє методологічне питання: виявляється, значна частина публікацій про «критичність мозку» могла описувати артефакти, а не реальну фізику. Новий фреймворк дозволяє це розрізнити.

По-друге, підтвердження справжньої майже критичної динаміки — без артефактів — зміцнює теоретичну основу для розуміння мозку як фізичної системи. Це відкриває шлях до нових питань: як змінюється відстань до критичної точки з віком, хворобою або когнітивним навантаженням?

Команда планує будувати моделі з урахуванням коннектому — безпосередньо пов’язуючи сигнатури критичності зі структурною архітектурою мозку, а також перевіряти, як змінюється відстань до критичної точки залежно від віку, хвороби або когнітивного стану.

Це дослідження вписується в ширшу хвилю досліджень мозку як фізичної системи. Ми нещодавно писали, як мозок перемикає нейронний код розпізнавання облич за 20 мілісекунд — і там теж йшлося про динамічну, нелінійну природу нейронних систем. Ці два відкриття доповнюють одне одного: нейронний код гнучкий і динамічний саме тому, що мозок підтримує себе у стані максимальної обчислювальної чутливості.

Цікаві факти

🧲 Аналогія з магнітом не випадкова: точка Кюрі — класичний приклад критичної точки у фізиці. При ній флуктуації набувають максимального розмаху на всіх масштабах. Мозок, за гіпотезою, «налаштований» на аналогічну точку, де невеликий стимул здатний активувати великі ансамблі нейронів. Детальніше про фізику критичних явищ — у Physical Review Letters.

🤖 Резервуарні нейронні мережі — клас штучних нейромереж, де фіксована мережа («резервуар») обробляє вхідні дані, а навчається лише вихідний шар. Такі мережі найкраще показують себе при значенні параметра зв’язку близько до критичної точки — тобто «на межі хаосу». Знахідка про мозок і g≈0,88 потенційно підтверджує, що природна нейронна мережа дотримується тих самих принципів.

📊 LEMON dataset (Leipzig Study for Mind-Body-Emotion Interactions) — відкрита база даних fMRI-сканів мозку у стані спокою від 136 здорових учасників з детальними демографічними і поведінковими даними. Це стандартний еталонний набір для нейровізуалізаційних досліджень.

⚖️ Фреймворк, розроблений командою, є широко застосовним за межами нейронауки — скрізь, де висуваються твердження про майже критичну динаміку. Це включає економічні мережі, екосистеми, соціальні мережі та складні матеріали.

FAQ

Чи означає g≈0,88 конкретне число для здорового мозку? Ні. Це середнє значення по групі з 136 учасників і не є точним «нормативним показником» для конкретної людини. Але воно визначає статистично достовірне відхилення від критичної точки — і цей метод тепер можна застосовувати для порівняння різних популяцій.

Чому fMRI є особливо складним інструментом для вивчення критичності? BOLD-сигнал fMRI inherently повільний, а сеанси запису короткі відносно числа досліджуваних регіонів — це ідеальне середовище для хибних сигнатур критичності, де часова автокореляція і обмежена вибірка разом мімікрують реальну колективну динаміку.

Що означає «реверберантна мережева активність» як причина критичності? Зазначені в дослідженні масштабні показники відповідають передбаченням рекурентної моделі з підключеними регіонами, а не артефактам. Це означає: справжня критичність пояснюється зворотними зв’язками між регіонами мозку, а не «шумом» від сенсорних входів.