- 5 次围观
灵活的行为需要可泛化的记忆与学习。例如，我们能够通过重新利用关于欧几里得二维空间以及环岛、地铁系统等结构的知识，迅速学会在新城市中通勤，同时不会忘记回到家乡后如何前往自己喜爱的餐馆。然而，对于大脑如何利用既有知识进行泛化，同时保留对特定过往经历的记忆，我们仍缺乏深入的理解。为弥补这一空白，我们在一项抽象的序列图像导航任务中结合行为测量、神经记录与计算建模，研究三种形式的泛化：从视觉导航到心理导航的记忆泛化；从训练过的路线到新路线的传递性泛化；以及从熟悉环境到新环境的结构泛化。与猴和人类不同，循环神经网络在所有泛化任务中均未能取得成功。我们发现，一种结构化的内嗅皮层—海马记忆模型能够在三种泛化任务中均取得成功。该模型基于网格细胞提供与内容无关的度量支架，用于存储经验，并将其与一个策略循环网络相结合。与内容无关的支架通过路径整合实现记忆泛化和传递性泛化，并通过允许复用先前学习的动作策略网络来促进结构泛化。此外，该支架较高的组合容量使模型能够持续学习而不会发生灾难性遗忘。我们记录了两只执行该任务的猴子的内嗅皮层和后顶叶皮层中的神经活动，并在神经元群体中发现了两种不同的计算过程。我们将内嗅皮层动作策略网络与顶叶动作策略网络模块化，使其分别跟踪距离和启动动作；这一设计捕捉到了不同的神经元群体动态，并提升了模型性能。最后，我们向该网络中加入了一个强化学习模块，使其能够学习适当的尺度因子，从而使网格周期性与环境的时间结构相匹配。我们的研究结果表明，一种将不变的度量表征与快速的感觉联结和可迁移策略相分解的架构，能够像大脑一样学习、泛化并记忆。
灵活的行为需要具有可推广性的记忆与学习能力。例如，我们能够通过重新利用关于欧氏二维空间以及环岛和地铁系统等结构的知识，迅速学会在新的城市中通勤，同时不会忘记回到家乡最喜欢的餐馆的路线。然而，我们尚不清楚大脑如何利用既有知识进行泛化，同时保留对特定过去经历的记忆。为弥补这一空白，我们在一项抽象的序列图像导航任务中，结合行为测量、神经记录与计算建模，研究了三种形式的泛化：记忆泛化，即从视觉导航到心理导航；传递性泛化，即从训练过的路线到新路线；以及结构泛化，即从熟悉环境到新环境。与猴和人类不同，循环神经网络在所有三种泛化任务中均未能成功。我们发现，一种结构化的内嗅皮层—海马记忆模型能够在三种泛化任务中均取得成功。该模型基于网格细胞提供与内容无关的度量支架，用于存储经验，并将其与策略循环网络相结合。与内容无关的支架通过路径积分实现记忆泛化和传递性泛化，并通过允许复用先前学习的动作策略网络来促进结构泛化。此外，该支架的高组合容量使模型能够持续学习，同时避免灾难性遗忘。我们记录了两只执行该任务的猴子的内嗅皮层和后顶叶皮层中的神经活动，并发现神经元群体中存在两种不同的计算过程。将内嗅皮层和顶叶的动作策略网络模块化，使其分别追踪距离和启动动作，不仅捕捉到了不同的群体动力学，也提升了模型性能。最后，我们在该网络中加入了强化学习模块，使其能够学习适当的尺度因子，从而使网格周期性与环境的时间结构相匹配。我们的研究结果表明，一种将不变的度量表征与快速感觉关联和可迁移策略相分解的架构，能够像大脑一样进行学习、泛化与记忆。
感谢您有兴趣传播 bioRxiv 的相关信息。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.25.747129v1?rss=1
🏷️ 内嗅皮层—海马回路 网格细胞 结构泛化 持续学习 路径整合 计算神经科学