Attractor dynamics underlie sequence working memory in data-constrained recurrent neural networks
Door laag-rang recursieve neurale netwerken aan te passen aan multi-sessie macaque-opnames, demonstreert deze studie dat sequentieel werkgeheugen steunt op positie-specifieke coderingssubruimten waar attractor-achtige dynamiek persistente itemrepresentaties in stand houdt, terwijl activiteit tegelijkertijd evolueert langs onderscheidende temporele dimensies.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Stel je voor dat je probeert een korte reeks getallen in je geest vast te houden lang genoeg om een telefoon te nummeren of een code in te voeren. Deze mentale prestatie, bekend als werkgeheugen, stelt ons in staat om informatie enkele seconden actief te houden nadat de oorspronkelijke prikkel is verdwenen. Decennialang hebben wetenschappers gedebatteerd over hoe het brein dit voor elkaar krijgt. Eén leidende theorie suggereerde dat specifieke groepen neuronen simpelweg gestaag blijven vuren, zoals een gloeilamp die aan blijft staan, om de informatie vast te houden. Een andere theorie stelde voor dat het brein een snelle, verschuivende sequentie van activiteitspatronen gebruikt, waarbij de ene groep neuronen de volgende in een keten activeert, waardoor een stabiel totaalbeeld ontstaat terwijl de individuele onderdelen voortdurend veranderen. Het oplossen van dit debat is cruciaal omdat het onthult wat het fundamentele besturingssysteem van het brein is: of onze gedachten op hun plaats worden gehouden door statische ankers of door een stromende rivier van activiteit.
Een team van onderzoekers aan de Universiteit van Tübingen en het Tübingen AI Center heeft deze vraag nu onderzocht door een geavanceerd computermodel van de prefrontale cortex van het brein te bouien, het gebied dat verantwoordelijk is voor complexe gedachten en geheugen. Ze gebruikten gegevens van twee macrocuten die een geheugentaak uitvoerden waarbij ze een sequentie van één tot drie visuele vormen moesten onthouden. De apen waren getraind om een hendel over te halen, naar de verschijnende vormen in een specifieke volgorde te kijken, even te wachten, en vervolgens het scherm aan te raken om de sequentie te reproduceren. De onderzoekers registreerden de elektrische activiteit van 2.488 individuele neuronen tijdens 30 verschillende sessies om precies te zien hoe het brein deze taak afhandelde.
Om deze enorme hoeveelheid gegevens te begrijpen, creëerden de wetenschappers een "data-geconstrueerd" recurrent neuraal netwerk. Dit is een type kunstmatige intelligentie-model dat is ontworpen om de manier na te bootsen waarop echte neuronen verbonden zijn en vuren. In tegenstelling tot standaardmodellen die alleen getraind worden om het juiste antwoord te krijgen, werd dit model gedwongen om de werkelijke, rommelige patronen van spikes te reproduceren die in de apenhersenen worden gezien. Door het model aan te passen aan de echte data, konden de onderzoekers de verborgen dynamiek observeren die optreedt tussen de neuronen, wat onmogelijk direct te zien is in de ruwe opnames. Het model reproduceerde succesvol de statistische eigenschappen van de echte hersenactiviteit, inclusief hoe vaak neuronen vuurden en hoe zij elkaar beïnvloedden, wat bevestigde dat het een getrouwe representatie was van het biologische systeem.
Toen de onderzoekers de interne werking van dit model analyseerden, ontdekten ze een specifieke geometrische structuur in hoe de informatie werd opgeslagen. De hersenactiviteit voor elk item in de sequentie was georganiseerd in aparte, duidelijke zones binnen het neurale netwerk. Als de aap een vorm in de eerste positie van de sequentie onthield, vestigde de activiteit zich in één specifieke zone; als het de tweede of derde vorm was, vestigde de activiteit zich in andere, niet-overlappende zones. Dit bevestigde eerdere waarnemingen dat het brein bijhoudt "wat" het item is en "waar" het in de sequentie valt door voor elke positie aparte ruimtelijke gebieden te gebruiken.
De kritieke vraag bleef: wat gebeurt er binnen die zones terwijl de aap wacht? Blijft de activiteit perfect stil, of stroomt het? De onderzoekers ontdekten dat het antwoord een combinatie van beide is. Hoewel het algemene activiteitspatroon stabiel genoeg bleef om als een specifieke herinnering te worden gedecodeerd, waren de onderliggende dynamieken niet statisch. In plaats daarvan onthulde het model dat het geheugen werd vastgehouden binnen een stabiel "manifold", een gekromd oppervlak in de wiskundige ruimte van het netwerk. Binnen dit oppervlak gedroeg de activiteit zich als een bal die in een vallei rolt en onderin tot rust komt. Dit staat bekend als een attractor-toestand. Zelfs terwijl het brein ook de passage van de tijd verwerkte met andere, aparte signalen, werd de eigenlijke herinnering aan de vormen vastgehouden door deze stabiele, zelfcorrigerende toestanden.
Om te bewijzen dat deze toestanden werkelijk stabiel waren en niet slechts een vluchtige sequentie van gebeurtenissen, voerden de onderzoekers een virtueel experiment uit. Ze namen hun getrainde model en gaven het een kleine, gesimuleerde schok, vergelijkbaar met wat er zou gebeuren als een wetenschapper licht zou gebruiken om kortstondig een groep neuronen in een echte aap te stimuleren. Ze ontdekten dat als de schok de activiteit iets uit haar pad duwde, het systeem zich vanzelf terugtrok naar de juiste geheugenstatus, net zoals een bal in een vallei terug naar de bodem rolt. Echter, als ze de activiteit in een specifieke richting langs het stabiele oppervlak duwden, verschoof het geheugen van het model permanent naar een nieuwe waarde. Dit gedrag is het kenmerk van een attractor-systeem: het biedt weerstand tegen kleine fouten maar staat gecontroleerde veranderingen toe.
De studie suggereert dat het brein niet vertrouwt op één enkele mechanisme voor het geheugen. In plaats daarvan gebruikt het een hybride strategie waarbij stabiele attractor-toestanden de specifieke inhoud van het geheugen vasthouden, terwijl andere delen van het netwerk de timing en de flow van de sequentie afhandelen. Deze bevinding daagt het idee uit dat het werkgeheugen een puur tijdelijke, verschuivende keten van gebeurtenissen is. Het geeft aan dat voor het brein om een sequentie van items vast te houden, het stabiele ankers moet hebben die de informatie veilig houden tegen ruis, zelfs terwijl de tijd verstrijkt. De onderzoekers merkten ook op dat hun model voorspelt dat als wetenschappers een korte, gerichte perturbatie aan het brein zouden toevoegen tijdens de vertragingsperiode, zij selectief het geheugen van de aap voor één item in de sequentie zouden kunnen veranderen zonder de anderen te beïnvloeden. Dit biedt een duidelijke, testbare voorspelling voor toekomstige experimenten om te verifiëren of deze attractor-structuur bestaat in het levende brein.
Uiteindelijk overbrugt dit werk de kloof tussen twee concurrerende visies op het geheugen. Het laat zien dat het brein een stabiele representatie van het verleden kan behouden zonder dat elke enkele neuron continu met een constante snelheid hoeft te vuren. Door het geheugen te organiseren in specifieke, stabiele zones die zichzelf corrigeren wanneer ze worden verstoord, zorgt het brein ervoor dat de informatie die we nodig hebben toegankelijk en accuraat blijft, zelfs terwijl de wereld om ons heen verandert. De aanpak van de onderzoekers om modellen te bouwen die nauwlettend worden gecontroleerd door echte biologische data, biedt een krachtige nieuwe manier om de verborgen regels te begrijpen die ons denken en herinneren beheersen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.