Selective Hippocampal Reactivation Driven by Neocortical Feedback Supports Memory Transfer in Predictive-Coding Networks
本文提出了一种预测编码框架，其中海马与新皮层网络之间的非对称耦合使得新皮层反馈能够选择性地偏置海马再激活，从而在不需要显式访问存储记忆的情况下，驱动高效的系统巩固与记忆转移。
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
人类的大脑是一个处于持续、静默活动中的场所。即使在我们睡眠或闭目休息时，庞大的神经元网络仍在持续放电，这并非因为外界发生了什么，而是源于它们自身的内部节律。这种背景轰鸣并非随机的噪声；它是大脑在重新审视白天的活动模式。科学家将这一现象称为“重现”（reactivation）。人们普遍认为，这一过程对于记忆至关重要，它像是一座桥梁，将经历从大脑中的临时存放区转移到永久存储系统中。这一被称为“系统巩固”（systems consolidation）的过程解释了为什么我们可以在不需要不断依赖大脑最初的短期记录中心的情况下，依然记得多年前的事情。然而，几十年来，一个关键问题一直悬而未决：大脑是如何决定重现哪些记忆的？为什么它选择强化某些记忆，却留下另一些记忆，尤其是在它似乎在没有任何外部提示的情况下自主运作时？
巴黎-萨克雷大学（University of Paris-Saclay）的研究人员通过构建一个模拟大脑两个主要记忆系统如何相互交流的计算机模型，为这个问题提供了一个引人入胜的答案。研究人员将重点放在了海马体（大脑深处的一个结构，充当新经历的快速记录器）与新皮层（负责长期存储和复杂思维的外层）之间的相互作用上。在他们的模型中，他们创建了两个相互连接的网络：一个代表海马体，另一个代表新皮层。他们对这些网络进行了编程，使其以一种镜像真实生物学观察的方式进行通信。海马体网络向皮层网络发送信号，但皮层网络也会发送反馈，从而可以抑制海马体的活动。这种设置创建了一个闭环，使这两个系统不断地相互调整。
研究人员发现，这种简单的反馈回路足以解决记忆优先级排序的谜团，而无需任何外部指令或中央控制器。当模型在没有外部干预的情况下运行（模拟休息或睡眠状态）时，海马体网络并不会平等地重现所有记忆。相反，它会选择性地专注于皮层网络尚未很好掌握的记忆。其机制就像一个自我修正系统。当皮层网络成功“理解”了一个记忆模式时，它会发送一个信号回传，从而减弱与该特定记忆相关的海马体活动。反之，如果皮层网络难以重建某个记忆，反馈就会很微弱，从而允许海马体继续重现那个困难的模式。这创造了一种自然的偏差，使大脑能够自动针对自身知识中的空白进行处理，确保最未完成的任务得到最多的关注。
为了测试这个想法，研究人员使用了一组视觉模式（类似于数字的简单图像）作为他们的记忆库。他们首先训练海马体网络存储这些模式。然后，他们切断了外部输入，让这两个网络进行交互。结果显示，该系统将记忆从海马体网络转移到皮层网络的速度，比系统仅仅以随机、统一的顺序重现记忆要快得多。该模型在处理相似记忆组时表现得尤为高效。在统一的复习方法中（即随机挑选记忆），系统会浪费时间去重新学习那些已经掌握良好的模式，尤其是当这些模式彼此非常相似时。相比之下，受反馈驱动的模型会忽略那些已掌握的模式，转而精准锁定那些仍存在误差的模式，从而有效地跳过了冗余的工作。
研究还探讨了当系统仍在处理旧记忆时，加入新记忆会发生什么。在模型中，当引入一个新模式时，它会立即在海马体所知的知识与皮层所知的知识之间创造出一个巨大的差距。系统会立即转向这一新的、缺乏支持的内容，将其视为优先处理对象，就像对待来自过去的困难记忆一样。这种动态行为表明，大脑并不需要一个单独的标签来标记一个记忆是“新”的还是“重要”的。优先级是从两个系统之间的不匹配中自然产生的。随着皮层网络学习新信息，这种不匹配会缩小，系统便会自然地转向下一个挑战。
这项工作为大脑中的记忆巩固如何运作提供了全新的视角。它表明，记忆的优先级排序并非由复杂的内部时钟或奖励系统驱动，而是由简单的局部误差计算驱动。大脑似乎一直在不断检查自身的理解程度，而那些理解程度最低的记忆部分会获得最多的练习。虽然这项研究依赖于计算机模拟和简化的网络，但其揭示的原理与生物学观察到的前额叶皮层与海马体在睡眠期间相互作用的方式相一致。研究结果表明，大脑组织自身学习的能力，是这两个系统连接方式中固有的一种特征，它将一个潜在的能量与时间限制问题，转化为了一个高效的自我提升过程。
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。