Selective Hippocampal Reactivation Driven by Neocortical Feedback Supports Memory Transfer in Predictive-Coding Networks
Dieses Paper schlägt ein Predictive-Coding-Framework vor, bei dem eine asymmetrische Kopplung zwischen hippokampalen und neokortikalen Netzwerken es der neokortikalen Rückkopplung ermöglicht, die hippokampale Reaktivierung selektiv zu beeinflussen, wodurch eine effiziente Systemkonsolidierung und Gedächtnistransfer vorangetrieben wird, ohne dass ein expliziter Zugriff auf gespeicherte Erinnerungen erforderlich ist.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Das menschliche Gehirn ist ein Ort ständiger, leiser Aktivität. Selbst wenn wir schlafen oder mit geschlossenen Augen ruhen, feuern riesige Netzwerke von Neuronen weiter, nicht aufgrund von äußeren Einflüssen, sondern aufgrund ihrer eigenen internen Rhythmen. Dieses Hintergrundrauschen ist kein zufälliges Rauschen; es ist das Gehirn, das die während des Tages erzeugten Aktivitätsmuster erneut durchläuft. Wissenschaftler nennen dieses Phänomen Reaktivierung. Es wird weithin angenommen, dass dieser Prozess essenziell für das Gedächtnis ist und als Brücke fungiert, die Erfahrungen von einem temporären Zwischenspeicher im Gehirn in ein permanentes Speichersystem überführt. Dieser Prozess, bekannt als Systemkonsolidierung, erklärt, warum wir uns an Dinge von vor Jahren erinnern können, ohne ständig auf das ursprüngliche Kurzzeitgedächtniszentrum des Gehirns angewiesen zu sein. Doch über Jahrzehnte hinweg blieb eine entscheidende Frage unbeantwortet: Wie entscheidet das Gehirn, welche Erinnerungen es wiederholt? Warum entscheidet es sich dafür, einige Erinnerungen zu stärken, während es andere zurücklässt, insbesondere wenn es scheinbar eigenständig und ohne äußere Impulse arbeitet?
Eine neue Studie von Forschern der Universität Paris-Saclay bietet eine überzeugende Antwort, indem sie ein Computermodell entwickelt, das simuliert, wie die beiden Hauptgedächtnissysteme des Gehirns miteinander kommunizieren. Die Forscher konzentrierten sich auf die Interaktion zwischen dem Hippocampus, einer tief im Gehirn liegenden Struktur, die als schneller Rekorder neuer Erfahrungen fungiert, und dem Neocortex, der äußeren Schicht, die für das Langzeitgedächtnis und komplexes Denken verantwortlich ist. In ihrem Modell erschufen sie zwei verbundene Netzwerke: eines, das den Hippocampus repräsentiert, und eines, das den Neocortex repräsentiert. Sie programmierten diese Netzwerke so, dass sie auf eine spezifische Weise kommunizieren, die reale biologische Beobachtungen widerspiegelt. Das hippocampale Netzwerk sendet Signale an das kortikale Netzwerk, aber das kortikale Netzwerk sendet auch ein Feedback zurück, das die hippocampale Aktivität unterdrücken kann. Dieser Aufbau schafft einen geschlossenen Kreislauf, in dem sich die beiden Systeme ständig gegenseitig anpassen.
Die Forscher entdeckten, dass diese einfache Rückkopplungsschleife ausreicht, um das Rätsel der Gedächtnispriorisierung zu lösen, ohne dass externe Anweisungen oder eine zentrale Steuerung erforderlich sind. Als das Modell von selbst laufen gelassen wurde, um einen Zustand der Ruhe oder des Schlafes zu simulieren, wiederholte das hippocampale Netzwerk nicht alle Erinnerungen gleichermaßen. Stattdessen konzentrierte es sich selektiv auf die Erinnerungen, die das kortikale Netzwerk noch nicht gut gelernt hatte. Der Mechanismus funktioniert wie ein selbstkorrigierendes System. Wenn das kortikale Netzwerk ein Erinnerungsmuster erfolgreich „versteht“, sendet es ein Signal zurück, das die mit dieser spezifischen Erinnerung verbundene hippocampale Aktivität dämpft. Umgekehrt, wenn das kortikale Netzwerk Schwierigkeiten hat, eine Erinnerung zu rekonstruieren, ist das Feedback schwach, was es dem hippocampalen Netzwerk ermöglicht, dieses schwierige Muster weiterhin zu wiederholen. Dies erzeugt eine natürliche Tendenz, bei der das Gehirn automatisch die Lücken in seinem eigenen Wissen ins Visier nimmt und sicherstellt, dass die unerledigtsten Aufgaben die meiste Aufmerksamkeit erhalten.
Um diese Idee zu testen, verwendeten die Forscher einen Satz visueller Muster, ähnlich einfachen Bildern von Zahlen, als ihren Gedächtniskorpus. Zuerst trainierten sie das hippocampale Netzwerk, um diese Muster zu speichern. Dann trennten sie die externe Eingabe und ließen die beiden Netzwerke interagieren. Die Ergebnisse zeigten, dass das System die Erinnerungen vom hippocampalen Netzwerk zum kortikalen Netzwerk viel schneller übertrug, als wenn das System die Erinnerungen in einer zufälligen, gleichmäßigen Reihenfolge wiederholt hätte. Das Modell war besonders effizient beim Umgang mit Gruppen ähnlicher Erinnerungen. Bei einem gleichmäßigen Wiederholungsansatz, bei dem Erinnerungen zufällig ausgewählt werden, würde das System Zeit damit verschwenden, Muster erneut zu lernen, die es bereits gut kannte, insbesondere wenn diese Muster einander sehr ähnlich waren. Im Gegensatz dazu ignorierte das Feedback-gesteuerte Modell die gut gelernten Muster und konzentrierte sich gezielt auf diejenigen, die noch Fehler verursachten, und übersprang so effektiv die redundante Arbeit.
Die Studie untersuchte auch, was passiert, wenn neue Erinnerungen hinzugefügt werden, während das System noch an alten arbeitet. In dem Modell erzeugte die Einführung eines neuen Musters sofort eine große Lücke zwischen dem, was der Hippocampus wusste, und dem, was der Cortex wusste. Das System verlagerte seinen Fokus augenblicklich auf diesen neuen, nicht gestützten Inhalt und priorisierte ihn genau wie eine schwierige Erinnerung aus der Vergangenheit. Dieses dynamische Verhalten deutet darauf hin, dass das Gehirn kein separates Etikett benötigt, um eine Erinnerung als „neu“ oder „wichtig“ zu kennzeichnen. Die Priorität entsteht natürlich aus der Diskrepanz zwischen den beiden Systemen. Während das kortikale Netzwerk die neue Information lernt, schrumpft die Diskrepanz, und das System geht natürlich zum nächsten Schritt über.
Diese Arbeit bietet eine neue Perspektive darauf, wie die Gedächtniskonsolidierung im realen Gehirn funktionieren könnte. Sie legt nahe, dass die Priorisierung von Erinnerungen nicht durch eine komplexe interne Uhr oder ein Belohnungssystem gesteuert wird, sondern durch eine einfache, lokale Berechnung von Fehlern. Das Gehirn scheint ständig sein eigenes Verständnis zu überprüfen, und die Teile des Gedächtnisses, die am wenigsten verstanden werden, erhalten die meiste Übung. Obwohl die Studie auf Computersimulationen und vereinfachten Netzwerken basiert, stimmen die Prinzipien, die sie aufzeigt, mit biologischen Beobachtungen darüber überein, wie der präfrontale Cortex und der Hippocampus während des Schlafs interagieren. Die Ergebnisse legen nahe, dass die Fähigkeit des Gehirns, sein eigenes Lernen zu organisieren, ein inhärentes Merkmal der Art und Weise ist, wie diese beiden Systeme miteinander vernetzt sind, wodurch ein potenzielles Problem von begrenzter Energie und Zeit in einen hocheffizienten Prozess der Selbstverbesserung verwandelt wird.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.