Firing Without Wiring: How REM-like Sleep Reactivation Rebalances Excitation and Inhibition to Orthogonalize Memories
本研究通过使用具有生物学合理性的循环神经网络，证明了类快速眼动睡眠通过一种“重激活定向修剪”机制促进记忆巩固，即通过重激活近期记忆来选择性地削弱其来自旧记忆群体的兴奋性输入，从而在不需要抑制性塑性的情况下减少干扰并使表征正交化。
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
每晚，人类的大脑都会经历不同的休息状态，其中包括被称为快速眼动（REM）睡眠的一个阶段。几十年来，科学家们已经了解到这一状态对于记忆至关重要，但其确切的机械原理一直是一个谜。我们知道，在非快速眼动（non-REM）睡眠期间，大脑会重演最近的经历以强化它们，就像在考试前复习笔记一样。然而，REM 睡眠看起来有所不同；大脑处于活跃状态，但活动的模式似乎并不像那样有序地重演特定事件。相反，许多研究人员长期以来怀疑 REM 睡眠具有一个不同且或许更微妙的目的：它可能扮演着“清理小组”的角色，将那些变得过于相似或纠缠在一起的记忆进行分离。如果两个记忆共享太多细节，它们就会相互干扰，导致难以准确回忆起其中任何一个。主流理论认为，REM 睡眠通过理顺这些连接，确保相似的记忆保持独立，而不会互相覆盖。尽管这个想法很有吸引力，但要证明大脑究竟如何在单个连接层面实现这种分离是非常困难的，因为我们无法实时观察活体人类大脑中的微观变化。
为了解决这个谜题，加州大学圣地亚哥分校的研究人员转向了模拟大脑学习过程的计算机仿真。他们构建了一个数字大脑，这是一种旨在按顺序学习任务的人工网络，类似于学生学习识别一系列数字对的过程。在这个数字世界中，学习一项新任务往往会导致系统忘记旧的任务，这种问题被称为“灾难性遗忘”。随后，研究人员在每次新的学习阶段后引入了一个模拟睡眠阶段。这种睡眠并不是系统关闭的休息期，而是一个网络被随机噪声重新激活的时期，这模仿了生物大脑中看到的混乱放电模式。在这次模拟睡眠期间，数字神经元之间的连接被允许根据简单的局部规则进行改变，而不需要任何外部教师来告知系统什么是正确的或错误的。
这些模拟实验的结果揭示了一种保护记忆的惊人机制。当数字大脑学习一项新任务时，负责该新任务的神经元会变得占据主导地位，有效地劫持了原本属于旧记忆的输入。这就是导致遗忘的原因。然而，当模拟睡眠阶段开始时，代表最新任务的神经元是放电最频繁的。由于这种主导地位，喂给这些活跃神经元的连接经历了特定类型的变化。来自旧的、沉默的记忆的输入被削弱了，而来自近期活跃记忆的连接则被保留或略微加强。这个过程有效地修剪了多余的连接，剥离了新记忆从旧记忆中窃取的输入。结果是，旧的记忆得以重新独立运作，系统可以高精度地同时回忆新任务和旧任务。
研究人员称这种机制为“重激活定向修剪”（reactivation-targeted pruning），它的原理是确保“可塑性”（即连接发生变化的能力）仅集中在当前活跃的神经元上。如果一个神经元在输入信号沉默时进行放电，它们之间的连接就会减弱。由于代表最新任务的神经元在睡眠期间放电频繁，而代表旧任务的神经元大多处于安静状态，因此从旧任务到新任务的连接被选择性地削弱了。这使得旧任务能够重新获得自己专属的路径。研究人员发现，这一过程不需要复杂的指令或全局控制中心；它自然地产生于局部学习规则在一种组群活跃而另一组群静止时的相互作用。即使我们模拟了一个只有兴奋性连接可以发生变化的脑模型，或者严格执行生物布线规则的模型，同样的结果也会出现：新记忆与旧记忆实现了分离，而旧记忆得到了保存。
研究还表明，这种分离对于每一个单独的记忆来说并不完美。那些与最新任务特征最为相似的记忆是最难理清的，因为它们的输入在睡眠期间足够活跃，从而阻止了削弱过程完全发挥作用。这镜像了现实世界的体验：非常相似的事物比截然不同的事物更难区分。此外，研究人员在不同类型的数字网络和更复杂的图像上测试了他们的发现，结果发现同样的原则依然成立。该机制似乎是局部学习规则与偏向性重激活相互作用产生的普遍结果，而非特定于某种计算机模型的技巧。
这些发现为神经科学领域的一个长期谜团提供了一个具体的、可测试的解释。它们表明，REM 睡眠并不一定是通过重演特定事件来强化它们，而是利用近期记忆的主导地位，有选择性地削弱那些导致干扰的连接。通过修剪掉新记忆所捕获的来自过去的输入，大脑让旧的记忆能够再次独立存在。这一过程确保了我们在学习新事物的过程中，不仅不会丢失旧事物，还能保持它们的独特性并使其可获取。这项研究提供了一个清晰的蓝图，展示了一个系统如何可以在学习的同时不发生遗忘，为改进人工智能以及深化我们对人类大脑如何管理持续涌入的信息的理解提供了洞见。
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。