Multi-scale place fields provide a predictive basis for hierarchical control
本文介绍了分解层级后继表示（fHSR），这是一种将高效的层级控制与海马体位置细胞的多尺度空间组织相结合的预测图，成功解释了它们在大环境中的特性，并预测了群体放电率中一种新型的与尺寸无关的空间周期性。
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
大脑的海马体常被描述为记忆的中心，但几十年来，神经科学家也一直将其视为一种认知地图，即一种允许动物在世界中导航的精神 GPS。在实验室受控的小型房间里，这种地图显得非常简单：被称为“位置细胞”（place cells）的单个脑细胞仅在动物处于某个特定地点时才会放电，从而为一个位置创造了一个单一且整洁的“开启”开关。然而，现实世界是广阔而复杂的。当大鼠奔袭数百米，或蝙蝠在栖息地与觅食地之间飞行数十公里时，这些相同的脑细胞表现得截然不同。它们不再是单一的开关，而是在景观中进行多次、不规则的爆发式放电，创造出一种看似混乱的活动模式，传统的导航理论一直难以解释这种模式。
这种实验室中的整洁图景与自然界中混乱现实之间的脱节，让科学家们开始思考，是大脑的地图在大型空间中崩溃了，还是我们对大脑运作方式的理解尚不完整。一种盛行的理论曾认为，大脑会构建一个预测性地图，本质上是根据动物当前的位置来计算其未来可能到达的位置。虽然这个想法在小房间里行之有效，但它无法解释在大规模环境中观察到的复杂、多点放电模式。研究人员不得不追问，这种不规则性究竟仅仅是随机噪声，还是在脑部如何规划和移动于世界的方式中承担着某种特定的、隐藏的目的。
由一群计算神经科学家组成的研究团队提出了一项新研究，该研究认为这种不规则性并非缺陷，而是高度高效导航系统的一个特征。研究人员开发了一种名为“因子化层级继承表示”（factorised hierarchical successor representation）的新数学模型。简单来说，该模型表明大脑并不只是一次只规划一步。相反，它将运动组织成一系列子目标的层级结构，例如“走到走廊尽头”或“在门口转弯”。通过将一段漫长的旅程分解为这些易于处理的块状部分，大脑可以在不陷入每一个细节的情况下，高效地规划长距离的行程。
该团队展示了当计算机代理使用这种层级方法进行学习时，它会自然而然地生成一种看起来与真实动物大脑活动完全一致的地图。在模拟实验中，该模型产生的位点细胞会在多个地点放电，且随着环境变大，放电点的数量和大小会以一种可预测的方式发生变化。这与在大长达 48 米的轨道上奔跑的大鼠，以及在长达 200 米距离内飞行的埃及果蝠所收集到的数据相吻合。该模型成功重现了这些动物特有的统计模式，包括某些细胞在许多地方放电而另一些则在少数地方放电，以及这些放电点之间的间距遵循特定的非随机分布。
至关重要的是，研究人员测试了这种层级结构是否提供了真正的优势。他们发现，与使用旧的、更简单的模型的代理相比，使用该方法的代理能够更快地学习新路径并到达新目标，尤其是在环境变大的情况下。这种层级方法允许大脑将学到的知识进行泛化，并将其应用于另一种情况，这是灵活智能的关键特征。该模型还预测，大脑的群体活动将在空间上表现出一种细微且重复的节奏，研究人员随后通过分析大鼠和蝙蝠神经元的实际放电率证实了这一现象。这种节奏在不同长度的轨道上保持一致，表明它是大脑对空间进行分割的一种基本属性。
该研究还排除了这些复杂的放电模式仅仅是随机生物噪声结果的可能性。当研究人员使用基于随机函数的模型模拟大脑活动时，该模型无法产生真实动物数据中所见的特定重复节奏和独特的几何结构。相比之下，层级模型则将这些特征作为其设计的必然结果自然地生成。这表明，位置细胞那种不规则的多点放电，是由于大脑为了应对大型复杂环境而将行为组织成子目标所直接导致的。
通过将动物的运动方式与脑细胞的放电方式联系起来，这项工作为大脑如何将其导航技能从一个小房间扩展到广袤景观提供了一个统一的解释。它意味着大脑的地图并非世界的静态图像，而是一个动态的、多层级的系统，旨在优化规划效率。研究结果表明，大脑在野外复杂世界中导航的能力，依赖于将旅程分解为更小、更易处理的部分，这一策略将看似混乱的噪声转化为了精准且强大的生存工具。
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。