作为分层循环神经网络的边缘导航系统

由 root 提交于 周六, 10/24/2026 - 08:47

内容形式:摘要译文

经过路径积分训练的循环神经网络(RNN)能够再现类网格和类头方向表征,但现有模型大多依赖低维速度输入,未能刻画大脑自我定位回路的层级组织结构。我们提出一种分层循环神经网络(HRNN),通过分别处理角速度和线速度,同时执行角度与位置的路径积分。经上述任务训练后,HRNN 能够泛化至超出训练范围的更长时间尺度,并涌现出与所有关键细胞类型相似的神经响应特性,包括角速度细胞、头方向细胞、速度细胞、联合型网格细胞和纯网格细胞。学习得到的回路还再现了导航系统的关键回路模体,包括吸引子动力学和非对称连接模式。扰动分析揭示了层级间的功能性信息流,与实验观察结果一致。最后,在学习形成的两个角速度细胞亚群之间引入由 θ 节律调控的相互抑制,使 HRNN 能够再现实验数据中观察到的双向 θ 扫掠。这些结果表明,分层任务驱动型 RNN 可作为一个具有生物学可解释性的框架,将空间导航中的神经表征、回路模体与群体动力学联系起来,同时支持有针对性的计算机模拟扰动,并生成可通过实验检验的预测。

关键词:空间导航 · 分层循环神经网络 · 路径积分 · 网格细胞 · 吸引子动力学 · θ节律

原文链接:https://www.biorxiv.org/content/10.64898/2026.10.19.760224v1?rss=1