Attractor dynamics underlie sequence working memory in data-constrained recurrent neural networks
Ao ajustar redes neurais recorrentes de baixo posto a registros de múltiplas sessões de macacos rhesus, este estudo demonstra que a memória de trabalho de sequência depende de subespaços de codificação específicos de posição, onde dinâmicas do tipo atrator mantêm representações persistentes de itens, enquanto a atividade evolui simultaneamente ao longo de dimensões temporais distintas.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo
Imagine tentar segurar uma sequência curta de números em sua mente tempo suficiente para discar um telefone ou inserir um código. Esse feito mental, conhecido como memória de trabalho, permite-nos manter informações ativas por alguns segundos após o estímulo original desaparecer. Durante décadas, cientistas debateram como o cérebro realiza isso. Uma teoria proeminente sugeria que grupos específicos de neurônios simplesmente continuam disparando constantemente, como uma lâmpada deixada acesa, para manter a informação. Outra teoria propunha que o cérebro utiliza uma sequência de padrões de atividade rápida e mutável, onde um grupo de neurônios gatilha o próximo em uma cadeia, criando uma imagem geral estável, embora as partes individuais estejam constantemente mudando. Resolver esse debate é crucial porque revela o sistema operacional fundamental do cérebro, determinando se nossos pensamentos são mantidos no lugar por âncoras estáticas ou por um rio de atividade fluindo.
Uma equipe de pesquisadores da Universidade de Tübingen e do Centro de IA de Tübingen investigou agora essa questão construindo um modelo computacional sofisticado do córtex pré-frontal do cérebro, a área responsável pelo pensamento complexo e pela memória. Eles utilizaram dados de dois macacos realizando uma tarefa de memória na qual tinham que lembrar uma sequência de um a três formas visuais. Os macacos foram treinados para puxar uma alavanca, observar as formas aparecerem em uma ordem específica, esperar uma breve pausa e, então, tocar a tela para reproduzir a sequência. Os pesquisadores registraram a atividade elétrica de 2.488 neurônios individuais ao longo de 30 sessões diferentes para ver exatamente como o cérebro lidava com essa tarefa.
Para dar sentido a essa quantidade massiva de dados, os cientistas criaram uma rede neural recorrente "restrita por dados". Este é um tipo de inteligência artificial projetada para imitar a maneira como os neurônios reais se conectam e disparam. Diferente dos modelos padrão, que são treinados apenas para obter a resposta correta, este modelo foi forçado a reproduzir os padrões reais e desordenados de disparos observados nos cérebros dos macacos. Ao ajustar o modelo aos dados reais, os pesquisadores puderam observar a dinâmica oculta que ocorre entre os neurônios, a qual é impossível de ver diretamente nas gravações brutas. O modelo recriou com sucesso as propriedades estatísticas da atividade cerebral real, incluindo a frequência com que os neurônios disparavam e como eles influenciavam uns aos outros, confirmando que era uma representação fiel do sistema biológico.
Quando os pesquisadores analisaram o funcionamento interno deste modelo, descobriram uma estrutura geométrica específica na forma como a informação era armazenada. A atividade cerebral para cada item na sequência foi organizada em zonas distintas e separadas dentro da rede neural. Se o macaco lembrasse de uma forma na primeira posição da sequência, a atividade se estabilizava em uma zona específica; se fosse a segunda ou terceira forma, a atividade se estabilizava em zonas diferentes e não sobrepostas. Isso confirmou observações anteriores de que o cérebro mantém o controle do "quê" o item é e de "onde" ele se encaixa na sequência, utilizando áreas espaciais separadas para cada posição.
A questão crítica permanecia: o que acontece dentro dessas zonas enquanto o macaco espera? A atividade permanece perfeitamente imóvel ou ela flui? Os pesquisadores descobriram que a resposta era uma combinação de ambas. Embora o padrão geral de atividade permanecesse estável o suficiente para ser decodificado como uma memória específica, a dinâmica subjacente não era estática. Em vez disso, o modelo revelou que a memória era mantida dentro de um "manifold" estável, uma superfície curva no espaço matemático da rede. Dentro dessa superfície, a atividade comportava-se como uma bola rolando para dentro de um vale e se estabelecendo no fundo. Isso é conhecido como um estado de atrator. Mesmo que o cérebro também estivesse processando a passagem do tempo com outros sinais separados, a memória real das formas era mantida por esses estados estáveis e autocorretivos.
Para provar que esses estados eram verdadeiramente estáveis e não apenas uma sequência fugaz de eventos, os pesquisadores realizaram um experimento virtual. Eles pegaram seu modelo treinado e deram a ele um pequeno solavanco simulado, semelhante ao que poderia acontecer se um cientista usasse luz para estimular brevemente um grupo de neurônios em um macaco real. Eles descobriram que, se o solavanco empurrasse a atividade ligeiramente fora de seu caminho, o sistema naturalmente se puxava de volta para o estado de memória correto, tal como uma bola em um vale que rola de volta para o fundo. No entanto, se eles empurrassem a atividade em uma direção específica ao longo da superfície estável, a memória do modelo mudava permanentemente para um novo valor. Esse comportamento é a marca registrada de um sistema de atrator: ele resiste a pequenos erros, mas permite mudanças controladas.
O estudo sugere que o cérebro não depende de um único mecanismo para a memória. Em vez disso, utiliza uma estratégia híbrida onde estados de atrator estáveis mantêm o conteúdo específico da memória, enquanto outras partes da rede lidam com o tempo e o fluxo da sequência. Essa descoberta desafia a ideia de que a memória de trabalho é puramente um evento de cadeia transitória e mutável. Indica que, para o cérebro manter uma sequência de itens, ele deve possuir âncoras estáveis que protejam a informação do ruído, mesmo enquanto o tempo passa. Os pesquisadores também observaram que seu modelo prevê que, se os cientistas aplicassem uma perturbação breve e direcionada ao cérebro durante o período de atraso, eles poderiam alterar seletivamente a memória do macaco de um item na sequência sem afetar os outros. Isso fornece uma previsão clara e testável para experimentos futuros para verificar se essa estrutura de atrator existe no cérebro vivo.
Fundamentalmente, este trabalho une duas visões conflitantes da memória. Mostra que o cérebro pode manter uma representação estável do passado sem exigir que cada neurônio individual dispare continuamente a uma taxa constante. Ao organizar a memória em zonas específicas e estáveis que se autocorrigem quando perturbadas, o cérebro garante que a informação de que precisamos permaneça acessível e precisa, mesmo enquanto o mundo ao nosso redor muda. A abordagem dos pesquisadores de construir modelos estritamente restritos por dados biológicos reais oferece uma nova e poderosa maneira de compreender as regras ocultas que governam como pensamos e lembramos.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.