Attractor dynamics underlie sequence working memory in data-constrained recurrent neural networks
Adattando reti neurali ricorrenti a basso rango a registrazioni multi-sessione di macachi, questo studio dimostra che la memoria di lavoro sequenziale si affida a sottospazi di codifica specifici per posizione dove dinamiche di tipo attrattore mantengono rappresentazioni persistenti degli elementi, mentre l'attività evolve simultaneamente lungo dimensioni temporali distinte.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Immagina di cercare di trattenere una breve sequenza di numeri nella tua mente abbastanza a lungo da comporre un numero di telefono o inserire un codice. Questa prodezza mentale, nota come memoria di lavoro, ci permette di mantenere le informazioni attive per alcuni secondi dopo che lo stimolo originale è scomparso. Per decenni, gli scienziati hanno dibattuto su come il cervello riesca a compiere questo sforzo. Una teoria dominante suggeriva che gruppi specifici di neuroni continuassero semplicemente a scoccare costantemente, come una lampadina lasciata accesa, per trattenere l'informazione. Un'altra teoria proponeva che il cervello utilizzi una sequenza rapida e mutevole di schemi di attività, in cui un gruppo di neuroni innesca il successivo in una catena, creando un quadro complessivo stabile anche se le singole parti sono in costante mutamento. Risolvere questo dibattito è cruciale perché rivela il sistema operativo fondamentale del cervello, determinando se i nostri pensieri siano mantenuti in posizione da ancore statiche o da un fiume di attività in movimento.
Un team di ricercatori dell'Università di Tubinga e del Centro per l'IA di Tubinga ha ora investigato questa questione costruendo un sofisticato modello computazionale della corteccia prefrontale del cervello, l'area responsabile del pensiero complesso e della memoria. Hanno utilizzato dati provenienti da due macachi che eseguivano un compito di memoria in cui dovevano ricordare una sequenza di uno a tre forme visive. Le scimmie erano state addestrate a tirare una leva, osservare le forme apparire in un ordine specifico, attendere una breve pausa e poi toccare lo schermo per riprodurre la sequenza. I ricercatori hanno registrato l'attività elettrica di 2.488 singoli neuroni attraverso 30 diverse sessioni per vedere esattamente come il cervello gestisse questo compito.
Per dare un senso a questa enorme quantità di dati, gli scienziati hanno creato una rete neurale ricorrente "vincolata ai dati". Questo è un tipo di intelligenza artificiale progettata per imitare il modo in cui i veri neuroni si connettono e scoccano. A differenza dei modelli standard, che sono addestrati solo per ottenere la risposta corretta, questo modello è stato costretto a riprodurre i reali e disordinati schemi di impulsi visti nei cervelli delle scimmie. Adattando il modello ai dati reali, i ricercatori hanno potuto osservare le dinamiche nascoste che avvengono tra i neuroni, che sono impossibili da vedere direttamente nelle registrazioni grezze. Il modello ha ricreato con successo le proprietà statistiche dell'attività cerebrale reale, inclusi il modo in cui i neuroni scoccano e come influenzano l'uno l'altro, confermando che si trattava di una rappresentazione fedele del sistema biologico.
Quando i ricercatori hanno analizzato il funzionamento interno di questo modello, hanno scoperto una specifica struttura geometrica nel modo in cui l'informazione veniva memorizzata. L'attività cerebrale per ogni elemento della sequenza era organizzata in zone separate e distinte all'interno della rete neurale. Se la scimmia ricordava una forma nella prima posizione della sequenza, l'attività si stabilizzava in una zona specifica; se era la seconda o la terza forma, l'attività si stabilizzava in zone diverse e non sovrapponibili. Ciò ha confermato le osservazioni precedenti secondo cui il cervello tiene traccia di "cosa" sia l'elemento e di "dove" si collochi nella sequenza utilizzando aree spaziali separate per ogni posizione.
La domanda critica rimaneva: cosa succede all'interno di quelle zone mentre la scimmia aspetta? L'attività rimane perfettamente immobile o scorre? I ricercatori hanno scoperto che la risposta è una combinazione di entrambe le cose. Sebbene il modello complessivo di attività rimanesse abbastanza stabile da poter essere decodificato come una memoria specifica, la dinamica sottostante non era statica. Invece, il modello ha rivelato che la memoria era contenuta all'interno di un "manifold" stabile, una superficie curva nello spazio matematico della rete. All'interno di questa superficie, l'attività si comportava come una pallina che rotola in una valle e si assesta sul fondo. Questo è noto come stato attrattore. Anche se il cervello stava anche elaborando il passaggio del tempo con altri segnali separati, la memoria effettiva delle forme era mantenuta da questi stati stabili e autocorrettivi.
Per dimostrare che questi stati fossero realmente stabili e non solo una sequenza fugace di eventi, i ricercatori hanno eseguito un esperimento virtuale. Hanno preso il loro modello addestrato e hanno dato al sistema una piccola scossa simulata, simile a ciò che potrebbe accadere se uno scienziato usasse la luce per stimolare brevemente un gruppo di neuroni in una vera scimmia. Hanno scoperto che, se la scossa spingeva l'attività leggermente fuori dal suo percorso, il sistema tornava naturalmente allo stato di memoria corretto, proprio come una pallina in una valle rotola di nuovo verso il fondo. Tuttavia, se spingevano l'attività in una direzione specifica lungo la superficie stabile, la memoria del modello cambiava permanentemente verso un nuovo valore. Questo comportamento è il segno distintivo di un sistema attrattore: resiste ai piccoli errori ma permette cambiamenti controllati.
Lo studio suggerisce che il cervello non si affida a un singolo meccanismo per la memoria. Invece, utilizza una strategia ibrida in cui gli stati attrattori stabili mantengono il contenuto specifico della memoria, mentre altre parti della rete gestiscono la tempistica e il flusso della sequenza. Questa scoperta sfida l'idea che la memoria di lavoro sia un evento puramente transitorio e mutevole. Indica che, affinché il cervello possa trattenere una sequenza di elementi, deve possedere ancore stabili che mantengano l'informazione al sicuro dal rumore, anche mentre il tempo passa. I ricercatori hanno inoltre osservato che il loro modello predice che, se gli scienziati applicassero una breve perturbazione mirata al cervello durante il periodo di attesa, potrebbero cambiare selettivamente la memoria di un elemento della sequenza senza influenzare gli altri. Ciò fornisce una previsione chiara e testabile per esperimenti futuri per verificare se questa struttura attrattore esista nel cervello vivente.
In definitiva, questo lavoro colma il divario tra due visioni contrastanti della memoria. Dimostra che il cervello può mantenere una rappresentazione stabile del passato senza richiedere che ogni singolo neurone scocchi continuamente a un tasso costante. Organizzando la memoria in zone specifiche e stabili che si correggono quando disturbate, il cervello assicura che l'informazione di cui abbiamo bisogno rimanga accessibile e accurata, anche mentre il mondo intorno a noi cambia. L'approccio dei ricercatori di costruire modelli strettamente vincolati dai dati biologici reali offre un modo potente per comprendere le regole nascoste che governano il nostro modo di pensare e ricordare.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.