人脑是由超过 860 亿个神经元组成的高度先进的信息处理器。人类擅长在没有任何正式指导的情况下从复杂网络(例如语言)中识别模式。以前，认知科学家试图通过将大脑描绘成一台高度优化的计算机来解释这种能力，但现在神经科学家之间的讨论是，这种模型可能无法准确反映大脑的工作方式。

现在，宾夕法尼亚大学的研究人员开发了一种不同的模型来解释大脑如何解释复杂网络的模式。发表在Nature Communications上的这个新模型表明，检测模式的能力部分源于大脑以尽可能最简单的方式表示事物的目标。他们的模型将大脑描述为在做决定时不断平衡准确性和简单性。这项工作由物理学博士进行。学生 Christopher Lynn，神经科学博士学生 Ari Kahn 和教授 Danielle Bassett。

这个新模型建立在人们在试图理解模式时会犯错误的想法之上，而这些错误对于瞥见大局是必不可少的。“如果你近距离观看点彩画，你可以正确识别每个点。如果你后退 20 英尺，细节会变得模糊，但你会更好地了解整体结构，”林恩说。

为了验证他们的假设，研究人员进行了一组类似于卡恩之前研究的实验。该研究发现，当向参与者展示 ABCB 等序列中的重复元素时，他们会自动对某些模式敏感，而不会明确意识到这些模式的存在。“如果你体验到一系列信息，比如听演讲，你可以在元素之间获取某些统计数据，而不会意识到这些统计数据是什么，”卡恩说。

为了了解大脑如何自动理解序列中如此复杂的关联，向 360 名研究参与者展示了一个电脑屏幕，屏幕上有五个灰色方块，对应键盘上的五个键。当五个方块中的两个从灰色变为时，参与者必须敲击与变化的方块相对应的计算机键。对于参与者来说，变色方块的图案是随机的，但序列实际上是使用两种网络生成的。

研究人员发现，网络的结构会影响参与者对刺激做出反应的速度，这表明他们对潜在模式的期望。与来自点阵网络的序列相比，当参与者看到使用模块化网络生成的序列时，反应会更快。