記憶中「什麼」發生在「何時」的複合表徵:使用拉普拉斯神經流形

核心概念

工作記憶需要能夠表徵任何時間點的任何刺激,這需要神經元具有對刺激和時間的共軛感受野,形成「什麼」和「何時」的複合表徵。

摘要

本文探討了工作記憶中「什麼」發生在「何時」的複合神經表徵的含義和實現。首先,作者證明了這種複合表徵要求神經元具有可分解為刺激和時間項的共軛感受野。這使得神經群體的協方差矩陣可以簡單地分解為「什麼」和「何時」兩部分,從而有利於分析群體動力學。

作者接著研究了兩種不同的時間基函數選擇,一種是指數衰減的拉普拉斯細胞,另一種是有峰值的逆拉普拉斯細胞。儘管這兩種基函數通過線性變換相互關聯,但在低維投影中卻表現出截然不同的動力學特性:拉普拉斯群體表現出穩定的刺激特定子空間,而逆拉普拉斯群體則表現出旋轉動力學。

此外,作者分析了隨時間推移,神經軌跡的維數增長情況。由於協方差矩陣的時間依賴性完全由「何時」部分決定,因此維數增長速率取決於時間基函數的密度分布。作者發現,對數均勻分布的時間常數能很好地符合實驗數據。

最後,作者提出了一個連續吸引子神經網絡模型,能夠構建出具有拉普拉斯神經流形的「什麼」和「何時」的複合表徵。該模型展示了從抽象的認知模型到神經電路實現的映射過程,並為支持工作記憶的神經動力學類型提供了約束條件。

統計資料

工作記憶需要能夠表徵任何時間點的任何刺激,這需要神經元具有對刺激和時間的共軛感受野。
神經群體的協方差矩陣可以簡單地分解為「什麼」和「何時」兩部分的張量積。
拉普拉斯群體表現出穩定的刺激特定子空間,而逆拉普拉斯群體則表現出旋轉動力學。
神經軌跡的維數增長速率取決於時間基函數的密度分布,對數均勻分布的時間常數能很好地符合實驗數據。

引述

"工作記憶 - 記住最近事件隨時間逝去的能力 - 需要能夠表徵任何時間點的任何刺激。"
"這種性質要求編碼工作記憶的神經元表現出混合選擇性,具有對刺激和時間的共軛感受野,形成「什麼」和「何時」的複合表徵。"
"不同的時間基函數選擇會導致在低維投影中出現截然不同的群體動力學,即使它們通過線性變換相互關聯。"

從以下內容提煉的關鍵洞見

"What" x "When" working memory representations using Laplace Neural Manifolds

by Aakash Sarka... 於 arxiv.org 10-01-2024

https://arxiv.org/pdf/2409.20484.pdf

深入探究

工作記憶的「什麼」和「何時」複合表徵是否也適用於更複雜的記憶任務,例如同時記住多個刺激?

在更複雜的記憶任務中，例如同時記住多個刺激，工作記憶的「什麼」和「何時」複合表徵仍然適用。這是因為這種複合表徵的設計本質上是為了捕捉多個刺激在時間上的變化。當多個刺激同時被呈現時，神經元的感受野可以通過交互作用來編碼每個刺激的「什麼」和「何時」信息。具體來說，這些神經元可以擁有混合選擇性，形成對每個刺激的獨特表徵，並且這些表徵可以隨著時間的推移而保持穩定。透過使用拉普拉斯神經流形（Laplace Neural Manifolds），這些神經元可以在一個低維空間中有效地編碼多個刺激的時間信息，從而使得在複雜任務中仍能保持對「什麼」和「何時」的清晰記憶。

如何在神經電路模型中實現對「什麼」和「何時」的動態編碼,而不是靜態的共軛感受野?

在神經電路模型中，實現對「什麼」和「何時」的動態編碼可以通過使用連續吸引子神經網絡（Continuous Attractor Neural Networks, CANN）來達成。這種模型允許神經元的活動隨著時間的推移而變化，從而實現動態編碼。具體而言，通過設計神經元的感受野，使其能夠根據刺激的時間和類型進行調整，這樣可以在神經網絡中形成一個隨時間變化的活動模式。例如，拉普拉斯神經流形中的邊緣吸引子可以隨著時間的推移而移動，這樣就能夠動態地編碼「何時」信息，而環形吸引子則可以持續編碼「什麼」信息。這種動態編碼的能力使得神經網絡能夠在複雜的記憶任務中保持對多個刺激的準確記憶。

拉普拉斯神經流形的時間編碼機制是否也可以應用於其他認知功能,如時間感知或時間判斷?

拉普拉斯神經流形的時間編碼機制確實可以應用於其他認知功能，如時間感知或時間判斷。這是因為該機制的設計本質上是基於對時間的連續編碼，並且能夠有效地捕捉時間的變化。透過使用對數時間常數的分佈，拉普拉斯神經流形能夠在時間上均勻地取樣，這使得它在時間感知任務中能夠提供準確的時間信息。此外，這種編碼機制還可以幫助理解時間判斷的過程，因為它能夠在神經網絡中形成對時間的動態表示，從而使得大腦能夠更好地處理和評估時間相關的任務。因此，拉普拉斯神經流形的時間編碼機制不僅限於工作記憶，還可以擴展到其他認知功能的研究中。