Attractor dynamics underlie sequence working memory in data-constrained recurrent neural networks
Durch das Anpassen von Low-Rank-rekurrenten neuronalen Netzen an Multi-Session-Aufzeichnungen von Makaken zeigt diese Studie, dass das sequentielle Arbeitsgedächtnis auf positionsspezifischen Kodierungs-Subräumen beruht, in denen Attraktor-ähnliche Dynamiken persistente Repräsentationen von Items aufrechterhalten, während die Aktivität gleichzeitig entlang distinkter zeitlicher Dimensionen evolviert.
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
Stellen Sie sich vor, Sie versuchen, eine kurze Zahlenfolge in Ihrem Geist zu behalten, lange genug, um ein Telefon zu wählen oder einen Code einzugeben. Diese mentale Leistung, die als Arbeitsgedächtnis bekannt ist, ermöglicht es uns, Informationen für einige Sekunden aktiv zu halten, nachdem der ursprüngliche Reiz verschwunden ist. Jahrzehntelang haben Wissenschaftler darüber debattiert, wie das Gehirn dies bewältigt. Eine führende Theorie besagte, dass bestimmte Neuronengruppen einfach stetig weiter feuern, wie eine Glühbirne, die eingeschaltet gelassen wurde, um die Information festzuhalten. Eine andere Theorie schlug vor, dass das Gehirn ein schnelles, sich verschiebendes Sequenzmuster von Aktivitäten nutzt, bei dem eine Gruppe von Neuronen die nächste in einer Kette auslöst, wodurch ein stabiles Gesamtbild entsteht, obwohl die einzelnen Teile sich ständig verändern. Die Klärung dieser Debatte ist entscheidend, da sie das grundlegende Betriebssystem des Gehirns offenbart und bestimmt, ob unsere Gedanken durch statische Anker oder durch einen fließenden Fluss von Aktivität an ihrem Platz gehalten werden.
Ein Team von Forschern der Universität Tübingen und des Tübingen AI Center hat diese Frage nun untersucht, indem es ein hochentwickeltes Computermodell des präfrontalen Kortex des Gehirns baute, dem Bereich, der für komplexes Denken und Gedächtnis verantwortlich ist. Sie nutzten Daten von zwei Makaken, die eine Gedächtnisaufgabe ausführten, bei der sie sich eine Sequenz von ein bis drei visuellen Formen merken mussten. Die Affen wurden darauf train-iert, einen Hebel zu ziehen, die Formen in einer bestimmten Reihenfolge erscheinen zu lassen, eine kurze Pause abzuwarten und dann den Bildschirm zu berühren, um die Sequenz zu reproduzieren. Die Forscher zeichneten die elektrische Aktivität von 2.488 einzelnen Neuronen über 30 verschiedene Sitzungen hinweg auf, um genau zu sehen, wie das Gehirn diese Aufgabe handhabte.
Um diese gewaltige Menge an Daten verständlich zu machen, erstellten die Wissenschaftler ein „datenbeschränktes“ rekurrentes neuronales Netzwerk. Dies ist eine Art künstliche Intelligenz, die darauf ausgelegt ist, die Art und Weise nachzuahmen, wie sich echte Neuronen verbinden und feuern. Im Gegensatz zu Standardmodellen, die nur darauf trainiert werden, das richtige Ergebnis zu erzielen, wurde dieses Modell gezwungen, die tatsächlichen, unordentlichen Muster von Impulsen (Spikes) nachzubilden, die in den Gehirnen der Affen zu sehen sind. Durch die Anpassung des Modells an die realen Daten konnten die Forscher die verborgenen Dynamiken beobachten, die zwischen den Neuronen ablaufen und die in den Rohdaten direkt nicht sichtbar sind. Das Modell reproduzierte erfolgreich die statistischen Eigenschaften der realen Gehirnaktivität, einschließlich der Häufigkeit, mit der die Neuronen feuerten und wie sie sich gegenseitig beeinflussten, was bestätigte, dass es eine getreue Darstellung des biologischen Systems war.
Als die Forscher die internen Abläufe dieses Modells analysierten, entdeckten sie eine spezifische geometrische Struktur in der Art und Weise, wie die Informationen gespeichert wurden. Die Gehirnaktivität für jedes Element in der Sequenz war in separate, deutlich voneinander abgegrenzte Zonen innerhalb des neuronalen Netzwerks organisiert. Wenn der Affe eine Form an der ersten Position der Sequenz sich merkte, pendelte sich die Aktivität in einer spezifischen Zone ein; wenn es die zweite oder dritte Form war, pendelte sich die Aktivität in andere, sich nicht überschneidende Zonen ein. Dies bestätigte frühere Beobachtungen, dass das Gehirn durch die Verwendung separater räumlicher Bereiche für jede Position gleichzeitig verfolgt, „was“ das Objekt ist und „wo“ es in der Sequenz steht.
Die entscheidende Frage blieb: Was passiert innerhalb dieser Zonen, während der Affe wartet? Bleibt die Aktivität vollkommen still oder fließt sie? Die Forscher fanden heraus, dass die Antwort eine Kombination aus beidem war. Während das allgemeine Aktivitätsmuster stabil genug blieb, um als spezifische Erinnerung dekodiert zu werden, waren die zugrunde liegenden Dynamiken nicht statisch. Stattdessen enthüllte das Modell, dass die Erinnerung innerhalb eines stabilen „Manifolds“ gehalten wurde, einer gekrümmten Oberfläche im mathematischen Raum des Netzwerks. Innerhalb dieser Oberfläche verhielt sich die Aktivität wie ein Ball, der in ein Tal rollt und am Boden zur Ruhe kommt. Dies ist als Attraktorzustand bekannt. Selbst wenn das Gehen der Zeit durch andere, separate Signale im Gehirn verarbeitet wurde, wurde die eigentliche Erinnerung an die Formen durch diese stabilen, selbstkorrigierenden Zustände aufrechterhalten.
Um zu beweisen, dass diese Zustände wirklich stabil und nicht nur flüchtige Ereignisse waren, führten die Forscher ein virtuelles Experiment durch. Sie nahmen ihr trainiertes Modell und gaben ihm einen winzigen, simulierten Stoß, ähnlich dem, was passieren könnte, wenn ein Wissenschaftler Licht verwenden würde, um kurzzeitig eine Gruppe von Neuronen im Gehirn eines echten Makaken zu stimulieren. Sie fanden heraus, dass das System die Aktivität wieder auf den korrekten Erinnerungszustand zurückführte, falls der Stoß die Aktivität leicht von ihrem Pfad abbog – genau so, wie ein Ball in einem Tal wieder zum Boden rollt. Wenn sie die Aktivität jedoch in eine bestimmte Richtung entlang der stabilen Oberfläche drückten, verschob sich die Erinnerung des Modells dauerhaft auf einen neuen Wert. Dieses Verhalten ist das Kennzeichen eines Attraktorsystems: Es leistet Widerstand gegen kleine Fehler, erlaubt aber kontrollierte Veränderungen.
Die Studie legt nahe, dass das Gehirn sich nicht auf einen einzigen Mechanismus für das Gedächtnis verlässt. Stattdessen nutzt es eine Hybridstrategie, bei der stabile Attraktorzustände den spezifischen Inhalt der Erinnerung halten, während andere Teile des Netzwerks den zeitlichen Ablauf und den Fluss der Sequenz handhaben. Dieser Befund stellt die Vorstellung infrage, dass das Arbeitsgedächtnis ein rein vorübergehender, sich verschiebender Kettenprozess ist. Er deutet darauf hin, dass das Gehirn, um eine Sequenz von Elementen festzuhalten, stabile Anker benötigt, die die Information sicher vor Rauschen schützen, selbst während die Zeit vergeht. Die Forscher merkten auch an, dass ihr Modell vorhersagt, dass Wissenschaftler, wenn sie während der Verzögerungsphase eine kurze, gezielte Störung im Gehirn anwenden würden, die Erinnerung des Affen an ein einzelnes Element der Sequenz selektiv ändern könnten, ohne die anderen zu beeinflussen. Dies liefert eine klare, testbare Vorhersage für zukünftige Experimente, um zu verifizieren, ob diese Attraktorstruktur im lebenden Gehirn existiert.
Letztendlich schlägt diese Arbeit die Brücke zwischen zwei konkurrierenden Sichtweisen des Gedächtnisses. Sie zeigt, dass das Gehirn in der Lage ist, eine stabile Repräsentation der Vergangenheit aufrechtzuerhalten, ohne dass jedes einzelne Neuron kontinuierlich mit einer konstanten Rate feuern muss. Durch die Organisation des Gedächtnisses in spezifische, stabile Zonen, die sich bei Störungen selbst korrigieren, stellt das Gehirn sicher, dass die Informationen, die wir benötigen, zugänglich und korrekt bleiben, selbst wenn sich die Welt um uns herum verändert. Der Ansatz der Forscher, Modelle zu entwickeln, die eng an reale biologische Daten gebunden sind, bietet einen leistungsstarken neuen Weg, um die verborgenen Regeln zu verstehen, die unser Denken und Erinnern steuern.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.