Structural generalization and continual learning enabled by factorized entorhinal-hippocampal memory and entorhinal-parietal action circuits
这项研究表明，一种结合了内容无关的内嗅-海马度量骨架与分解式内嗅-顶叶动作策略网络的计算模型，成功复制了人类和猴子在实现灵活的记忆、传递性和结构性泛化方面的能力，同时实现了无需灾难性遗忘的持续学习。
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
为了在世界中导航，人类大脑进行了一项工程壮举，这在特定的导航任务上仍是标准循环神经网络所无法企及的。大脑必须记住特定的地点——比如一家心仪的咖啡馆、一个童年住所——同时又要理解空间运作的抽象规则，使我们能够将这些知识应用到一个从未去过的城市。这种能力依赖于大脑中两个截然不同但又相互连接的系统。其中一个系统以海马体为中心，就像一个高容量的文件柜，存储着特定事件和位置的独特细节；另一个系统涉及内嗅皮层，它提供了一个通用的网格，即一个心理坐标系，无论实际观察到的是什么，它都能测量距离和方向。虽然科学家们早已知晓这些系统的存在，但它们是如何协同工作以让我们快速学习、泛化到新情境并记住一切而不覆盖旧记忆的，一直是一个谜。
来自麻省理工学院及其他机构的研究团队通过测试人类、猴子和计算机模型如何处理特定的导航挑战，现已揭开了这一谜团的层层迷雾。他们设计了一个任务，要求受试者通过一系列图像（如踏脚石）从起始图像移动到目标图像。研究人员测试了三个难度等级：首先，他们要求受试者在有视觉线索的情况下进行导航，然后是在没有线索的情况下，迫使大脑在内部模拟旅程；第二，他们测试了受试者是否能在从未练习过的图像对之间进行导航；第三，他们引入了全新的图像集，以观察大脑能否将其导航技能迁移到完全不同的环境中。结果非常显著：虽然人类和猴子能轻松掌握所有三项挑战，但标准的循环神经网络模型却完全失败了。然而，当研究人员构建了一种模仿大脑特定架构的新型计算机模型——将“地图”与“记忆”分离时，该模型在其他模型失败的地方取得了成功。
实验始于一个简单的设置。人类志愿者和两只猴子坐在屏幕前，屏幕显示一条固定的图像序列，例如一系列独特的物体。他们被给定一个起始图像和一个目标图像，并需使用操纵杆在序列中移动，直到到达目标。在第一阶段，图像会滚动播放，提供持续的视觉反馈。一旦受试者学会了图像的顺序，研究人员就移除了视觉线索。此时，受试者在移动操纵杆时屏幕变黑，完全依靠内在的感觉来判断自己走了多远。这被称为心理导航。受试者毫不费力地完成了这项任务，表明他们已经建立了序列的心理地图。接着，研究人员通过要求受试者在从未共同练习过的起点和终点之间进行导航，测试了传递泛化能力。最后，他们引入了包含完全不同图像集的第三个环境，以测试结构泛化能力。
生物受试者的表现令人瞩目。人类和猴子不仅能高精度地在新的路径和新环境中进行导航，而且还能保留对原始环境的导航能力而不产生遗忘。这种缺乏“灾难性遗忘”的现象是生物学习的一个关键特征，而人工系统难以复制这一点。当研究人员尝试使用标准循环神经网络来复制这种行为时，这些模型在每一项测试中都失败了。它们可以学习有反馈的视觉任务，但一旦视觉线索被移除、路径改变或环境更新，模型就会崩溃。它们既不能泛化，也无法在学习新知识的同时记住旧教训。
突破来自于研究人员构建的一个镜像大脑拟议结构的模型。这个被称为 Vector-HaSH 增强型动作策略（Vector-HaSH augmented Action policy）的模型由两个主要部分协同工作组成。第一部分是基于网格细胞的结构化记忆支架。可以将它想象成一把刚性的、与内容无关的尺子，用于测量距离和方向。它不在乎图像是什么，它只在乎它们之间的空间。第二部分是一个策略网络，它根据尺子测量的距离来学习如何移动。因为这把尺子是固定且通用的，所以在一个环境中学习到的策略可以立即应用于新环境。该模型通过一种快速的一次性学习过程，将新图像与这把尺子绑定在一起，这与大脑的海马体功能非常相似。
当这个新模型接受测试时，它重现了人类和猴子的全方位行为。它可以在没有视觉反馈的情况下导航，可以采取新路径，并能瞬间适应新环境，同时还能记住旧环境。研究人员随后观察了模型内部，了解其工作原理，并将模型的内部活动与从执行任务的猴子大脑中记录到的实际电信号进行了对比。他们发现两者高度匹配。模型的“距离”模块（追踪受试者距离目标的距离）其行为与猴子内嗅皮层的神经元完全一致。模型的“动作”模块（决定何时移动以及何时停止）则与后顶叶皮层的活动相匹配。这证实了大脑很可能将导航任务拆分为两个不同的计算过程：一个是测量距离，另一个是决定动作。
最后一个发现揭示了大脑如何校准这一系统。研究人员发现，为了让模型完美运行，它必须学习一个特定的缩放因子，以使其内部尺子与图像的间距对齐。如果尺子的刻度相对于图像而言太宽或太窄，模型就会遇到困难。然而，当模型被允许在学习过程中调整这个缩放因子时，它能迅速找到完美的对齐方式，正如大脑所做的那样。这表明大脑会主动调节其内在的速度感和距离感，以匹配其正在探索的环境结构。
研究结论指出，大脑学习、泛化和记忆的能力并非源于拥有更多的数据或更强的处理能力，而是源于一种特定的架构设计。通过将空间的恒定结构与经验的具体内容分离，大脑创造了一个既灵活又稳定的系统。内嗅-海马回路提供了一个通用的度量衡，使得大脑能够将过去的经验应用于新情况，而不必抹去过去。这种记忆与动作的分解，解释了我们为何能走进一座新城市，找到自己的路，同时依然记得回家的路——而这正是标准循环神经网络模型至今尚未实现的壮举。
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。