生物学的重大挑战之一是,解释秩序和复杂功能,如何产生于从简单得多的部分组成的无生命物理系统。大脑,在表征过程中创造了秩序,并通过较简单元素的集体交互来执行复杂功能。
近日,美国 麻省理工学院(Massachusetts Institute of Technology)Mikail Khona,Ila R. Fiete,在 Nature Reviews Neuroscience上发表综述文章,描述了吸引子神经网络attractor neural network模型,在描述大脑如何维持工作记忆的持续活动状态、纠正错误和整合噪声线索方面的独特案例。并考虑了一些机制,其简单和健忘单位forgetful units可以组织起来,在这种计算所需的长时间尺度上共同产生动态。然后,讨论了吸引子动力学在大脑计算中的无数潜在用途,并展示了大脑系统的显著例子,其中,固有的低维连续吸引子动力学已经可以实现具体和严格地识别。因此,现在可以肯定地说,大脑构建并使用这样的系统进行计算。最后,强调了在理解如何通过重用和重新组合多个函数的同一组模块吸引子,用以克服鲁棒性和容量之间以及结构和灵活性之间的基本权衡方面的最新理论进展,因此,这些一起产生了结构上受约束且鲁棒,但表现出高容量和灵活性的表示。
Attractor and integrator networks in the brain.
图1:吸引子attractor形成机制。
图2:低维吸引子网络的应用。
图3:在大脑中,离散吸引子动力学的证据。
图4:在动眼神经积分器中,网络反馈产生的线性吸引子动力学。
图5:头部方向回路:大脑中的环形吸引子。
图6:在网格单元系统中,二维环形吸引子。
文献链接:https://www.nature.com/articles/s41583-022-00642-0DOI: https://doi.org/10.1038/s41583-022-00642-0