低维神经编码抑制神经元噪声并延长工作记忆持续时间

神经元是具有噪声的计算基底，然而大规模神经元群体却能够实现可靠的计算。究竟是什么决定了一个受噪声影响的群体所能维持工作记忆的最长时长？我们利用受随机噪声作用的循环网络研究这一问题，并提出三个理论结果。第一，当神经活动位于低维潜在流形上时，网络能够抑制相互独立的神经元噪声。第二，这种结构会在神经元之间诱导出相关噪声，从而限制下游所能提取的信息。第三，这些效应共同导出一个关于工作记忆持续时长的解析界，其随网络规模线性增长。我们利用大规模新皮层记录检验了这些预测，并在小鼠中提供了与该理论一致的行为学特征。总体而言，噪声抑制构成了低维神经编码的一项关键功能优势，正是凭借这一优势，大规模神经元群体才能在较长时间尺度上维持可靠的工作记忆。

神经元是带噪声的计算基底，然而大规模神经群体却能够实现可靠的计算。是什么决定了带噪声群体所能维持工作记忆的最大持续时间？我们利用受随机噪声影响的循环网络研究这一问题，并提出了三个理论结果。第一，当神经活动位于低维潜在流形上时，网络能够抑制彼此独立的神经元噪声。第二，这种结构会在神经元之间诱导出相关噪声，从而限制下游所能提取的信息。第三，这些效应导出了一个关于工作记忆持续时间的解析界，其随网络规模呈线性增长。我们利用大规模新皮层记录检验了这些预测，并在小鼠中给出了与该理论一致的行为学特征。总体而言，噪声抑制构成了低维神经编码的一项关键功能优势，借助这一优势，大规模神经群体能够在较长时间尺度上维持可靠的工作记忆。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.08.731010v1?rss=1

🏷️ 工作记忆 低维神经编码 神经元噪声 循环神经网络 新皮层记录