-
特斯拉第二季度营收169.34亿…
新浪科技讯北京时间7月21日凌晨消息,特斯拉汽车今天公布了该公司的2022财年第二季度财报。报告显示,特斯拉汽车第二季度营收为169.34亿… -
贵州数字经济增速连续6年全国第一
科技日报记者何星辉日前,在贵州省第十三届人民代表大会第五次会议上,贵州省省长李炳军在作政府工作报告时提到,2021年贵州数字经济加速突破,增…
时间与空间如何在脑中呈现 脑科学研究给出最新成果
- 发布时间:2022-02-12 点击次:1016
-
吴天一 科技日报记者 王春
问路时,要记住指路人给出的一系列方向指引;在学习新的舞蹈动作时,要记住老师演示的一连串动作模式。当人脑在记忆时,往往不仅要记住单个内容,还要记住内容之间的次序。那么这种记忆的“次序”,也就是时序信息,在头脑中的呈现方式是什么样的呢?
2月11日,《科学》期刊以长文形式发表了题为《序列工作记忆在猕猴前额叶表征的几何结构》的研究论文。在该研究中,科学家训练猕猴记忆不同位置的点阵,并利用在体双光子钙成像技术记录猕猴大脑前额叶皮层的神经元活动。研究人员发现神经元以群体编码的形式表征了序列中的每一个空间位置,并在这些表征中发现了类似的环状几何结构。该研究推翻了经典序列工作记忆模型的关键假设,为理解神经网络如何进行符号表征这一难题提供了新的见解。
该研究由中国科学院脑科学与智能技术卓越创新中心(神经科学研究所)、中国科学院灵长类神经生物学重点实验室王立平研究组,上海脑科学与类脑研究中心闵斌副研究员和北京大学生命科学学院唐世明课题组合作完成。
从最像人的动物出发 研究脑海中的屏幕
人类大脑无时无刻不在处理序列信息,不论是语言沟通、动作实施还是情景记忆,这些都涉及时序信息在脑中的呈现方式,也就是序列的表征。认知心理学家们早在19世纪初就开始思考序列信息的表征方式,但对于时序信息大脑神经是如何进行记忆的,我们仍知之甚少。
猕猴是演化上最接近人类的模式动物,其认知能力、大脑的结构与功能相比于其他模式动物更接近人类,是研究时间序列等复杂高级认知功能的最佳实验对象。因此,研究人员训练猕猴记忆由多个位置点组成的空间序列。
在任务中,猕猴面前的屏幕上会依次闪现三个不同的点,猕猴需要在几秒钟之后将这些点按之前呈现的顺序汇报出来。在汇报前的几秒内,这些点的位置组成的空间序列信息,就暂时储存在大脑中。
研究人员对工作记忆的大本营——外侧前额叶皮层进行了双光子钙信号成像。这样就可以记录由点的位置对应的空间信息和不同次序对应的时间信息所带来的大脑神经元群体活动状态。钙信号可反映神经元的脉冲放电活动,而序列信息表征的关键就在记忆期神经元群体的活动模式之中。
大脑如何在这一期间,同时对三次点的位置情况进行呈现呢?研究人员猜想猕猴的大脑中也有一块“屏幕”,猕猴可以把出现过的点记在这个屏幕上。可如果三个点同时在记忆保持期内显示在了这个屏幕上,每个点的先后顺序又该如何体现呢?猕猴的大脑里面是否会同时存在三块不同的屏幕?这样每个屏幕只需要记下一个点的信息,而且屏幕之间不会互相干扰。
研究人员分析了钙成像获得的高维数据,发现可以在高维向量空间里面找到每个次序的信息所对应的二维子空间,即找到了三张猕猴脑海中的“屏幕”。并且这些“屏幕”上点的位置所构成的几何结构,与猕猴观看的真实屏幕中的点所属的环状结构保持了一致。种种分析显示,这些屏幕没有相交,说明大脑确实用到了三块独立的屏幕来表征序列信息。
为了进一步探究大脑是否总是用相同的这几块“屏幕”记忆不同类型的空间序列,研究人员对数据做了解码分析,即运用机器学习方法训练线性分类器来区分不同次序上的空间信息。比如,用猕猴正确应答时的神经元群体活动训练解码器,可以在部分做对的序列里面取得较好的解码效果。这些结果提示了用于编码次序的“屏幕”是稳定通用的。
猕猴空间序列记忆任务。采访对象供图
为何记忆越多越容易出错?答案在环状结构里
在地理空间中,上下前后左右方向,代表着三维空间。而在神经系统里,存在着维度和神经元数量相等的高维向量空间,有成百上千的维度进行着记忆的存储和分析。在时序信息的记忆中,子空间产生环状结构来存储信息。
不同子空间的表征共享着类似的环状结构,而随次序的增加,环的半径会减小。一个可能的解释是,次序靠后的信息所分配到的注意资源更少,导致对应的环变小、区分度降低。这一结构也对应了序列记忆的行为表现,例如我们日常生活中如果记忆的内容越多,越往后的信息便更容易出错。
该研究第一次在群体神经元水平阐释了序列工作记忆的计算和编码原理,也为神经网络如何进行符号表征这一难题提供了新的思路。20世纪80年代,人工智能领域就有研究者提出张量乘积这一概念来实现神经网络对符号结构的表征,但其如何在神经网络层面自然涌现一直没有被很好地解决。序列工作记忆的神经表征正好对应了将该符号表征由对应次序的子空间嵌入到高维向量空间中,同时支持了下游神经网络对符号结构信息的线性读取。
脑科学能够将行为和神经元活动串联起来去建模,解释和预测。通过对时序信息的研究,我们也能够展望神经科学对ai技术的启发。机器学习和神经科学的交互前行,让人看到了工业革命中机器代替手工的“生产力提升的曙光”,也预示着下一场革新。