Attractor dynamics underlie sequence working memory in data-constrained recurrent neural networks
Al ajustar redes neuronales recurrentes de bajo rango a registros de múltiples sesiones de macacos, este estudio demuestra que la memoria de trabajo de secuencia depende de subespacios de codificación específicos de la posición donde la dinámica de tipo atractor mantiene representaciones persistentes de los elementos, mientras que la actividad evoluciona simultáneamente a lo largo de dimensiones temporales distintas.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo
Imagina intentar retener una breve cadena de números en tu mente el tiempo suficiente para marcar un teléfono o introducir un código. Esta proeza mental, conocida como memoria de trabajo, nos permite mantener la información activa durante unos pocos segundos después de que el estímulo original ha desaparecido. Durante décadas, los científicos han debatido cómo el cerebro logra esto. Una teoría principal sugería que grupos específicos de neuronas simplemente siguen disparando de forma constante, como una bombilla que se deja encendida, para mantener la información. Otra teoría proponía que el cerebro utiliza una secuencia de patrones de actividad rápida y cambiante, donde un grupo de neuronas activa al siguiente en una cadena, creando una imagen general estable aunque las partes individuales estén cambiando constantemente. Resolver este debate es crucial porque revela el sistema operativo fundamental del cerebro, determinando si nuestros pensamientos se mantienen en su lugar mediante anclajes estáticos o mediante un río de actividad fluida.
Un equipo de investigadores de la Universidad de Tubinga y del Centro de IA de Tubinga ha investigado esta cuestión construyendo un sofisticado modelo computacional de la corteza prefrontal del cerebro, el área responsable del pensamiento complejo y la memoria. Utilizaron datos de dos macacos realizando una tarea de memoria en la que tenían que recordar una secuencia de uno a tres objetos visuales. Los monos fueron entrenados para tirar de una palanca, observar la aparición de las formas en un orden específico, esperar una breve pausa y luego tocar la pantalla para reproducir la secuencia. Los investigadores registraron la actividad eléctrica de 2.488 neuronas individuales a través de 30 sesiones diferentes para ver exactamente cómo el cerebro gestionaba esta tarea.
Para dar sentido a esta enorme cantidad de datos, los científicos crearon una red neuronal recurrente de "datos restringidos". Este es un tipo de inteligencia artificial diseñada para imitar la forma en que las neuronas reales se conectan y disparan. A diferencia de los modelos estándar, que solo se entrenan para obtener la respuesta correcta, este modelo fue obligado a reproducir los patrones reales y desordenados de espigas observados en los cerebros de los monos. Al ajustar el modelo a los datos reales, los investigadores pudieron observar la dinámica oculta que ocurre entre las neuronas, la cual es imposible de ver directamente en los registros brutos. El modelo recreó con éxito las propiedades estadísticas de la actividad cerebral real, incluyendo la frecuencia con la que las neuronas disparaban y cómo se influenciaban entre sí, confirmando que era una representación fiel del sistema biológico.
Cuando los investigadores analizaron el funcionamiento interno de este modelo, descubrieron una estructura geométrica específica en la forma en que se almacenaba la información. La actividad cerebral para cada elemento de la secuencia estaba organizada en zonas distintas y separadas dentro de la red neuronal. Si el mono recordaba una forma en la primera posición de la secuencia, la actividad se asentaba en una zona específica; si era la segunda o tercera forma, la actividad se asentaba en zonas diferentes y no superpuestas. Esto confirmó observaciones anteriores de que el cerebro mantiene el registro de "qué" es el objeto y "dónde" se encuentra en la secuencia utilizando áreas espaciales separadas para cada posición.
La pregunta crítica seguía siendo: ¿qué sucede dentro de esas zonas mientras el mono espera? ¿La actividad permanece perfectamente quieta o fluye? Los investigadores descubrieron que la respuesta era una combinación de ambas. Aunque el patrón general de actividad permanecía lo suficientemente estable como para ser decodificado como una memoria específica, la dinámica subyacente no era estática. En cambio, el modelo reveló que la memoria se mantenía dentro de un "manifold" estable, una superficie curva en el espacio matemático de la red. Dentro de esta superficie, la actividad se comportaba como una bola rodando hacia un valle y asentándose en el fondo. Esto se conoce como un estado de atractor. Incluso cuando el cerebro también estaba procesando el paso del tiempo con otras señales separadas, la memoria real de las formas se mantenía mediante estos estados estables y autocorrectores.
Para demostrar que estos estados eran verdaderamente estables y no solo una secuencia de eventos fugaces, los investigadores realizaron un experimento virtual. Tomaron su modelo entrenado y le dieron un pequeño sacudida simulada, similar a lo que podría ocurrir si un científico utilizara luz para estimular brevemente un grupo de neuronas en un mono real. Descubrieron que, si la sacudida empujaba la actividad ligeramente fuera de su trayectoria, el sistema naturalmente se devolvía al estado de memoria correcto, tal como una bola en un valle vuelve a rodar hacia el fondo. Sin embargo, si empujaban la actividad en una dirección específica a lo largo de la superficie estable, la memoria del modelo cambiaba permanentemente a un nuevo valor. Este comportamiento es la característica distintiva de un sistema de atractor: resiste errores pequeños pero permite cambios controlados.
El estudio sugiere que el cerebro no depende de un único mecanismo para la memoria. En su lugar, utiliza una estrategia híbrida donde los estados atractores estables mantienen el contenido específico de la memoria, mientras que otras partes de la red gestionan la sincronización y el flujo de la secuencia. Este hallazgo desafía la idea de que la memoria de trabajo es puramente un evento de cadena transitoria y cambiante. Indica que, para que el cerebro mantenga una secuencia de elementos, debe poseer anclajes estables que mantengan la información a salvo del ruido, incluso mientras el tiempo transcurre. Los investigadores también señalaron que su modelo predice que, si los científicos aplicaran una perturbación breve y dirigida al cerebro durante el periodo de demora, podrían cambiar selectivamente la memoria de un elemento de la secuencia sin afectar a los demás. Esto proporciona una predicción clara y contrastable para futuros experimentos que verifiquen si esta estructura de atractor existe en el cerebro vivo.
En última instancia, este trabajo cierra la brecha entre dos visiones contrapuestas de la memoria. Muestra que el cerebro puede mantener una representación estable del pasado sin requerir que cada neurona individual dispare continuamente a una tasa constante. Al organizar la memoria en zonas específicas y estables que se corrigen a sí mismas cuando son perturbadas, el cerebro asegura que la información que necesitamos permanezca accesible y precisa, incluso cuando el mundo a nuestro alrededor cambia. El enfoque de los investigadores de construir modelos estrechamente restringidos por datos biológicos reales ofrece una forma poderosa de comprender las reglas ocultas que gobiernan cómo pensamos y recordamos.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.