🤖 machine learning

Modelling Emotional Memory in Children with Tensor Networks

本文证明了，一种纳入了情感效价的经典张量网络模型在捕捉儿童情绪记忆的顺序依赖结构方面显著优于标准心理学模型（准确率达到 77.98%），从而验证了量子启发式方法在模拟此类认知现象方面的效用。

原作者： Henry Groves, Lucia F. Jackson, Barbara-Anne Robertson, Jonte R. Hance

发布于 2026-06-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Henry Groves, Lucia F. Jackson, Barbara-Anne Robertson, Jonte R. Hance

原始论文根据 CC0 1.0（http://creativecommons.org/publicdomain/zero/1.0/）发布到公有领域。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

核心理念：记忆并非摄像机

想象你的大脑不像是一台能记录完美、固定快照的摄像机。相反，把记忆想象成一场即兴爵士乐。当你试图回忆某事时，大脑并不只是在“回放”一个文件；它是在主动重建那个场景。它提取你所见、所感、所思的碎片，并将它们重新拼凑在一起。

问题在于，这种重建过程是混乱的。它受到你“此时此刻”感受的影响，受到你的信念以及事物发生顺序的影响。本文认为，研究记忆的标准方法（如简单的数学计算）过于僵化，无法捕捉到这种混乱，尤其是在涉及情绪时。

实验：玩具箱游戏

研究人员想要观察在混合了情绪的情况下，儿童如何记忆一系列事件。

设置： 他们向 50 名儿童（4 至 11 岁）展示了一组由 5 件玩具组成的序列。
转折点： 其中一些玩具是“中性的”（普通的木块），而另一些是“积极的”（有趣的汽车、动作人偶）。
任务： 在观看玩具逐一出现后，孩子们必须从盒子里挑出这些玩具，并按照他们看到的精确顺序将它们放回。

使用传统工具发现的结果：
使用传统的心理学方法，他们证实了孩子们对有趣玩具的记忆比对无聊玩具的记忆更深刻。然而，这些方法无法解释为什么“顺序”很重要。它们无法看出记住一个玩具是如何改变记住下一个玩具的可能性。这就像是试图通过只数步数来描述一段复杂的舞蹈，却忽略了节奏和音乐。

新工具：“张量网络”（Tensor Network）

为了解决这个问题，研究人员使用了一种名为张量网络的数学工具。

类比： 想象你在预测天气。一个简单的模型可能会说：“如果昨天下了雨，今天也会下雨。”但张量网络就像是一个巨大的、相互连接的多米诺骨牌网。
在这个网中，推倒一个多米诺骨牌（记住玩具 #1）不仅会影响下一个，还会改变整个网的张力，从而影响其他骨牌倒下的可能性（记住玩具 #2、#3 等）。
这个工具是“受量子启发”的。这并不意味着大脑是一个量子计算机。它仅仅是指，用于描述物理学中粒子如何相互作用的数学方法，在描述人类思想如何相互作用方面出奇地有效。它允许叠加态（即一个记忆在做出选择之前可以同时处于“被记住”和“被遗忘”的状态）和干涉（即一个记忆会改变另一个记忆的概率）。

测试的三种模型

研究人员构建了三个不同版本的这个“网”，以观察哪一个效果最好：

简单模型（“开/关”开关）：
- 这个模型只问：“他们记住了吗？是或否？”
- 结果： 表现很差（准确率低于 50%）。这就像是试图用黑白像素来描述一张彩色照片。它丢失了所有的细微差别。
更好的模型（“三选项”开关）：
- 这个模型增加了一个中间选项：“记住了但顺序错了。”
- 结果： 表现变得更差（约 22% 的准确率）。为什么？因为数据太稀疏了。对于有限数量的儿童样本来说，可能的组合实在太多了。这就像是试图用极少的线索去猜一个拥有过多可选字母的密码。
获胜的模型（“情绪感知型”网）：
- 这个模型将“三选项”概念与情绪语境结合了起来。它强制要求数学模型将玩具的“类型”（有趣 vs 无聊）与“记忆行为”视为一个单一且不可分割的事件。
- 结果： 准确率达到 77.98%。 这是一个巨大的飞跃。

为什么“情绪感知型”模型赢了？

论文指出，情绪就像是记忆的结构性胶水。

“有趣玩具”效应： 当孩子看到一个有趣的玩具时，它不仅仅让这个特定的玩具更容易被记住。它实际上重塑了他们记忆前后所有玩具的整个网络。
类比： 把玩具序列想象成一串珠子。如果你在中间放了一颗沉重且闪光的宝石（有趣的玩具），它不仅会发光，还会拉紧这根绳子，改变其他珠子的排列位置。
获胜的模型意识到，如果不了解他们刚刚看到的玩具的“情绪色彩”，你就无法预测一个孩子会记住什么。情绪不仅仅是一个旁注；它是记忆 DNA 的一部分。

总结

记忆是情境化的： 如果不理解序列中每个项目的心理语境，你就无法理解儿童如何记忆一个序列。
顺序至关重要： 你先记住了什么，会改变你接下来的记忆，而情绪会放大这种效应。
用新数学解决旧问题： 通过使用能够解释这些复杂、不断变化的关系的“受量子启发”数学（张量网络），研究人员预测儿童记忆的准确度远高于传统的心理学模型。

简而言之：情绪不仅让记忆变得更鲜明，它们还改变了记忆本身的架构。 而要理解这种架构，我们需要一种全新的数学地图。

技术摘要：利用张量网络对儿童情绪记忆进行建模

1. 问题陈述

人类记忆并非事件的静态回放，而是一个对情境、情绪效价（emotional valence）和时间顺序敏感的主动重构过程。虽然经典心理学模型承认情绪体验通常比中性体验更容易被记住（即情绪记忆增强效应），但这些模型难以解释时间记忆中复杂的、依赖于顺序的动态机制。具体而言，标准模型通常假设：

独立性： 一个项目的召回在统计上与其他项目是相互独立的。
线性： 情绪效价仅作为召回概率的一个简单标量修正因子。
固定编码： 记忆被存储为固定的痕迹，而非演化的状态。

这些假设无法捕捉到前序项与后续项的情绪背景如何影响特定对象的召回。此外，当尝试对具有多个结果的序列进行联合概率分布建模时，经典概率模型面临“维度灾难”，需要指数级的参数（ $d^n$ ），这在计算上变得难以处理。

本文认为，量子启发式框架，特别是张量网络（Tensor Networks），提供了一种更合适的数学结构。与经典模型不同，这些框架能够自然地处理非交换性（顺序依赖）、干涉以及情境敏感的状态演化，且只要底层相关性可以被压缩，就不需要指数级的参数。

2. 研究方法

A. 实验方案

作者开展了一项针对 50 名儿童（4-11 岁）的研究，以生成关于时间顺序记忆的数据。

刺激物： 在每个试次中按顺序呈现五个玩具。玩具被分为积极型（视觉吸引力强的，如动作玩偶）和中性型（普通的木块）。
程序： 儿童观看一个包含 5 个玩具的序列（每个持续 10 秒），随后被要求从一个包含 7 个物品（5 个目标物 + 2 个干扰物）的箱子中选择并按原始顺序排列。
设计： 采用 2x2 被试内设计，操纵变量为效价（积极 vs. 中性）和重复（初始呈现 vs. 延迟后重新呈现）。
数据收集： 50 名参与者完成了最多 10 个试次。数据包括物体选择准确率、顺序准确率和反应时间。

B. 经典分析

初步分析使用了重复测量方差分析（Repeated-Measures ANOVAs）和 t 检验。

发现： 积极效价的对象被召回的准确率更高，且时间顺序表现更好。然而，标准统计工具未能展示事件内在的顺序依赖性，仅显示了带有高噪声的平均差异。一个经典的线性模型无法充分模拟该事件，导致准确率较低。

C. 张量网络建模

作者开发了三个递进的模型，使用矩阵乘积态（Matrix Product States, MPS）（一种张量网络类型）来分解召回结果的联合概率分布。

量子比特模型（二进制）：
- 状态空间： 每个项目 $i$ 是一个二元变量： $|0\rangle$ （错误）或 $|1\rangle$ （正确）。
- 结构： 代表 5 个项目联合概率的五阶张量。
- 方法： 通过实验频率构建张量（使用拉普拉斯平滑处理稀疏性），并使用顺序奇异值分解（SSVD）将其分解为 MPS。
- 预测： 通过以过去观测为条件并对未来位置进行边缘化，来预测未来的项目。
量子三态模型（三进制）：
- 状态空间： 扩展以区分以下情况：
  - $|0\rangle$ ：完全遗忘/错误的项。
  - $|1\rangle$ ：正确的项，但位置错误。
  - $|2\rangle$ ：正确的项，且位置正确。
- 挑战： 这将状态空间从 $2^5$ (32) 增加到了 $3^5$ (243)，加剧了数据稀疏问题。
效价引导的量子三态模型（复合状态）：
- 创新： 该模型将情绪效价显式地编码进张量网络的物理指标中。
- 状态空间： 每个位置代表一个复合状态 $|v_i, s_i\rangle$ ，其中 $v_i \in \{0, 1\}$ （中性/积极）且 $s_i \in \{0, 1, 2\}$ （召回结果）。这产生了一个 6 维的局部空间（ $2 \times 3$ ）。
- 机制： 模型将效价视为一个“启动”阶段，用以调节召回状态。在预测期间，目标项已知的效价被用于将张量投影到相关的 3 维召回子空间中，然后再评估概率。这迫使网络同时学习情绪背景与召回结果的联合分布。

3. 关键结果

A. 模型性能

量子比特模型： 实现的整体序列准确率为 48.96%，低于 50% 的二元随机基准。它受到严重的类别不平衡影响，倾向于对大多数项目预测为“错误”。
量子三态模型： 准确率降至 22.71%。该模型未能预测“顺序错误”的召回（F1 分数：0.00），原因可能是极度的数据稀疏性（243 种可能序列 vs. 404 个试次）以及无法学习少数类别的条件分布。
效价引导的量子三态模型： 实现了 77.98% 的整体序列准确率。
- 它成功预测了“顺序错误”类别（F1 分数：0.618）和多数“顺序正确”类别。
- 准确率在不同序列位置上表现均匀（约 70-78%），而之前的模型则显示出在第一个项目后出现剧烈下降的趋势。

B. 结构分析（键维数/Bond Dimensions）

量子比特/量子三态模型： 奇异值衰减迅速，键维数较低，表明这些模型本质上是在记忆多数类，而非捕捉复杂的依赖关系。
效价引导模型： 经验键维数显著上升（例如 [6, 22, 24, 6]），且奇异值衰减更为平缓。这表明效价调节模型成功捕捉到了丰富的、非平凡的相关性（“纠缠”）。
阈值敏感性： 与简单的模型不同，当 SVD 截断阈值增加到 $10^{-2}$ 以上时，效价引导模型的准确率会下降。这证实了高阶奇异值包含了关于效价与顺序之间相互作用的真实预测信息，而非仅仅是噪声。

C. 关于效价的经验观察

概率图谱揭示了情绪效价并非简单的标量修正因子，而是一个结构性变量：

积极-中性： 一个积极项后跟随一个中性项，往往会导致无法召回该中性项，表明注意力资源被积极项消耗了。
中性-积极： 一个积极项跟随在中性项之后时会被很好地召回，这符合情绪记忆增强效应。
积极-积极： 连续的积极项产生了竞争性的编码需求，从而降低了第二个项目的召回率。

4. 重要性与主张

本文声称，效价引导的张量网络证明了量子启发式方法在建模人类记忆中顺序依赖现象方面的有效性。

优于经典模型： 通过将效价作为结构性组件而非外部变量引入，实现准确率的大幅提升（从约 23% 提升至约 78%），这表明假设独立性或线性编码的经典模型不足以处理此类任务。
情境敏感性： 结果支持了这样一种观点，即记忆是一个动态的、依赖于状态的过程，其中事件的情绪背景会重塑随后召回的概率结构，而不仅仅是强化一个固定的记忆痕迹。
量子认知框架： 本研究为发育心理学中的量子认知框架提供了初步的行为学支持。它表明儿童的时间记忆涉及干涉效应和非交换依赖（即评估顺序至关重要），这些特性可以被张量网络中的希尔伯特空间结构自然地捕捉。
新工具： 本文引入的实验方案为探索儿童情绪时间记忆提供了一个新工具，该工具既可以由经典模型进行分析，也可以由类量子认知模型进行分析。

作者保持了谦逊的态度，指出本研究受限于单一数据集、潜在的数据稀疏问题，以及缺乏经过验证的儿童情绪玩具数据库。他们并不声称证明了大脑中存在量子物理过程，而是指出量子力学的数学结构（希尔伯特空间、叠加、干涉）为建模观察到的认知行为提供了一个连贯且更准确的框架。