İnsan ve diğer primatlarda görsel korteks, gözün baktığı noktaya olan uzaklığa göre (eksantrisite) sistematik biçimde organize olmuştur. Foveaya yakın bölgeler yüksek uzamsal çözünürlük gerektiren görevlerde —yüz tanıma, okuma gibi— öne çıkarken, çevresel görüşü işleyen bölgeler daha geniş sahne bağlamını kavramada uzmanlaşmıştır. Peki bu işlevsel harita nasıl ortaya çıkıyor?
Yeni çalışmada araştırmacılar, bu soruyu yapay sinir ağları üzerinden deneysel olarak test etti. Visual Experience Dataset (VEDB) adlı veri kümesinden elde edilen gerçek yaşam egosantrik videoları ve göz izleme kayıtları kullanılarak üç farklı koşulda ResNet-18 modelleri eğitildi: yalnızca foveal bölgeye odaklanan kırpmalar, yalnızca çevresel bölgeye ait kırpmalar ve ek olarak NeuroFovea dönüşümü uygulanmış çevresel kırpmalar. Eğitim süreci, etiketlere ihtiyaç duymayan öz-denetimli öğrenme çerçevesi olan SimCLR ile gerçekleştirildi.
Modellerin hem görev bazlı performansı hem de insan görsel korteksiyle temsil uyumu değerlendirildi. Sonuçlar, farklı eksantrisite kısıtlamalarının modellerin öğrendiği temsilleri anlamlı biçimde farklılaştırdığını gösterdi. Foveal eğitim alan modeller ince ayrıntı gerektiren görevlerde daha başarılıyken, çevresel eğitimli modeller daha geniş bağlamsal bilgiyi kodlamakta öne çıktı. Bu örüntü, insan beynindeki eksantrisite yanlılığıyla dikkat çekici bir paralellik taşıyor.
Çalışmanın en önemli çıkarımlarından biri şu: Görsel korteksteki işlevsel uzmanlaşma, sabit bir biyolojik programlama olmaktan çok, doğal görsel deneyimlerin içeriğiyle şekillenmiş bir uyumun ürünü olabilir. Günlük hayatta merkezi görüşümüze düşen içerikler (yüzler, yazılar) ile çevresel görüşümüze düşen içerikler (mekânlar, arka planlar) birbirinden farklılaştığı için beyin de bu ayrımı öğrenerek kodluyor olabilir.
Bu araştırma, hesaplamalı nörobilim ile makine öğrenmesinin kesişiminde, beynin görsel organizasyonunu anlamak için yapay modellerin ne denli güçlü bir araç olduğunu bir kez daha gözler önüne seriyor.