Representational learning by optimization of neural manifolds in an olfactory memory network

本研究证明,在斑马鱼嗅觉记忆网络中,行为学习通过优化神经流形的几何分离度与容量来增强气味辨别能力,而非依赖吸引子动力学,从而将流形结构直接与感觉及语义处理相联系。

原作者: Hu, B., Temiz, N. Z., Chou, C.-N., Rupprecht, P., Meissner-Bernard, C., Titze, B., Chung, S., Friedrich, R. W.

发布于 2026-05-06
📖 1 分钟阅读☕ 轻松阅读

原作者: Hu, B., Temiz, N. Z., Chou, C.-N., Rupprecht, P., Meissner-Bernard, C., Titze, B., Chung, S., Friedrich, R. W.

原始论文采用 CC BY 4.0 许可(https://creativecommons.org/licenses/by/4.0/)。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明

想象你的大脑是一座庞大而繁忙的图书馆,其中每一段记忆和每一条信息并非存放在单一的书架上,而是存储于书籍本身的形状与排列之中。本文探讨了一条鱼的大脑如何通过重新排列这些“书籍”,形成更清晰、更独特的模式,从而学会区分不同的气味。

以下是研究人员发现的故事,分解为几个简单的概念:

思想的“形状”

通常,科学家将记忆视为大脑中的固定点,就像一盏要么开要么关的灯(称为“吸引子状态”)。然而,这项研究表明,记忆更像是漂浮在空间中的灵活三维形状,作者称之为“神经流形”。不妨将这些流形想象成无形的活动云团。当大脑思考某种特定气味时,神经元就会形成特定的云团形状。

鱼类实验

研究人员教导幼年及成年斑马鱼区分两种不同的气味。他们观察了鱼的大脑(特别是名为 pDp 的区域,该区域类似于人类处理气味的中枢),以查看当鱼闻到“正确”的目标气味与其他气味时,神经元是如何放电的。

没有固定的开关,只有更优的排序

令人惊讶的是,科学家们并未发现他们预期的那些固定“开关”模式。相反,他们发现学习改变了云团的几何结构

在训练之前,代表目标气味的“云团”可能有些杂乱,并与代表其他气味的云团混杂在一起。当鱼学会这项任务后,大脑并非仅仅打开某个开关,而是重塑了这些云团。它将目标气味对应的云团拉伸并推离无关气味的云团,使它们更容易被区分开来。

“容量”类比

为了衡量这一点,研究人员使用了一个名为“流形容量”的概念。想象一个拥挤的舞池:

  • 低容量:人们互相碰撞,很难看清谁和谁在共舞。
  • 高容量:舞者们已组织成彼此独立、互不重叠的圆圈。

研究发现,随着鱼的学习,它们大脑中针对重要气味的这种“舞池容量”得到了提升。大脑越能将重要气味的形状与背景噪声分离开来,鱼在任务中的表现就越好。事实上,观察这些形状所预测的鱼的表现,比单纯统计有多少神经元在放电要准确得多。

核心结论

主要结论是:大脑并非仅仅将信息存储为事实列表,而是将信息存储在模式的几何结构中——即神经元在空间中排列的具体方式。

通过学习,大脑本质上重绘了世界的地图,创建了一张“联合地图”,其中感官细节(气味是什么)与意义(这种气味很重要)被编织成一个清晰、独特的形状。这使得大脑能够高效地学习和记忆事物,不是通过将它们锁进僵硬的盒子,而是通过组织整个神经活动的景观,让重要的事物清晰地凸显出来。

您所在领域的论文太多了?

获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。

试用 Digest →