Yapay zeka ve nörobilim arasındaki sınırların bulanıklaştığı günümüzde, araştırmacılar beyin verilerinin makine öğrenmesi modellerine ne kadar katkı sağlayabileceğini merak ediyordu. Bu soruya yanıt arayan yeni bir çalışma, konuya matematiksel bir yaklaşım getirdi.
NeuroAI alanındaki son çalışmalar, görev eğitimini nöral kayıtlarla desteklemenin model performansını ve dayanıklılığını mütevazı düzeyde artırabileceğini göstermişti. Ancak bu faydanın hangi koşullarda ortaya çıktığı ve ne kadar büyük olacağı belirsizdi.
Araştırma ekibi bu belirsizliği gidermek için matematiksel bir formülasyon geliştirdi. Basit ve analitik olarak ele alınabilir bir lineer Gauss modeli kullanarak, görev hedefleri ve nöral kayıtları arasındaki ilişkiyi teorik olarak incelemeye başladılar.
Çalışmanın en önemli bulgularından biri, hem beyin verileri hem de görev etiketleri ile eğitilen çok modlu tahmin ediciler için geliştirilen ölçekleme yasalarıdır. Bu yasalar, performansın beyin ve görev örneklerinin sayısıyla nasıl değiştiğini gösteriyor.
Araştırmacılar bu yasalardan yola çıkarak, beyin örnekleri ile görev örnekleri arasında göreli değer ve değişim oranları türettiler. Bu hesaplamalar, görev-beyin hizalaması, nöral ve görev gürültüsü, gizli boyut gibi faktörlerin fonksiyonu olarak nöral verinin kaç ek görev örneğine denk geldiğini sayısal olarak belirlemeyi mümkün kılıyor.