PNAS 速递：基于有限状态控制器的嗅觉搜索

关键词：嗅觉搜索，神经编码，记忆空间，有限状态控制器，马尔可夫决策过程

论文题目：Olfactory search with finite-state controllers斑图地址：https://pattern.swarma.org/paper/f0d502a4-3b03-11ee-9320-0242ac17000d论文地址：https://www.pnas.org/doi/10.1073/pnas.2304230120

动物经常使用气味来传递信息，这些信息通过风传播到远方。在接收端，信号逐渐衰减并在湍流的大气流中变形。尽管如此，昆虫能够解码遇到的稀疏气味序列，并利用这些关于源位置的信息来构建成功的搜索策略。记忆在这个过程中具有关键作用，昆虫必须保留有关先前气味检测的历史。

远距离的嗅觉搜索是一项极其困难的任务，因为气味信号的稀疏性和关于源位置信息的复杂编码。当前的算法方法通常需要一个连续的记忆空间，有时需要很高维度，这可能阻碍其优化，并且常常使其解释变得模糊。

在一般层面，嗅觉搜索是部分可观察马尔可夫决策过程（Partially Observable Markov Decision Process，POMDP）的一个特定实例。这项研究展示了有限状态控制器（finite-state controller），具有少量离散内存状态，足够表现出类似于生物体内观察到的丰富的、时间延长的行为模块。为嗅觉搜索优化的有限状态控制器可以即时解释为近似时钟和粗粒度空间地图，表明与搜索行为的神经模型存在联系。

图1. 蛾子在湍流的空气中寻找气味来源的轨迹示意图。

图2. 嗅觉搜索的 Cast-and-Surge 算法，记忆作为时钟。左图是一个典型的搜索轨迹，蓝色点表示检测事件。右边显示了记忆空间中的进程。

图3. 嗅觉搜索的贝叶斯方法，记忆作为地图。

图4. 具有 |M| = 3 个记忆的最优控制器发现一种程式化的 surge/cast 策略。（a）典型的轨迹，根据记忆状态着色，检测显示黑点。（b）有限状态控制器的示意图。c,d,e）空间记忆占用概率的热图。（f）长轨迹的例子。

---

编译｜梁金

NeuroAI读书会

详情请见：

推荐阅读

点击“阅读原文”，报名读书会