Recognition before Learning: Travelling Waves and Fixed Network Dynamics Support Translation-Invariant Categorization
本文表明，一种利用行进波来产生结构化群体响应的固定脉冲网络架构，可以在不需要预先突触学习的情况下，实现对视觉模式的平移不变性分类。
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
大脑如何识别一张脸、一个字母或一个熟悉的物体，而不受其在视野中出现位置的影响，是神经科学领域最持久的谜题之一。我们不需要每次看到杯子出现在左边或右边时都重新学习它仍然是一个杯子；我们的视觉系统能毫不费力地处理这种位移。几十年来，主流的解释一直是，大脑必须通过经验来学习这些模式，通过缓慢调整其数十亿个神经元之间的连接，直到它能够识别出无论这些形状落在何处都能识别出来。这种观点假设，大脑对世界进行分类的能力完全是由经验从零开始构建的。然而，一项新研究挑战了这一假设，认为大脑的硬件可能在任何学习发生之前，就已经预设了识别模式的能力。该研究聚焦于被称为海马体的特定大脑区域（以其在记忆中的作用而闻名），并探讨了电信号的“时序”而非仅仅是其“强度”，是如何创造出一个已经为识别而组织好的世界地图的。
由休伯特·勒夫勒（Hubert Löffler）和安德烈亚斯·巴默（Andreas Bahmer）开展的研究引入了一个旨在模拟海马体结构的计算机神经网络模型。在这个模型中，研究人员并没有教网络去识别形状。相反，他们向其输入明暗交替的模式——例如线条、色块、手写数字和印刷字母——并观察网络的反应。他们方法的核心是一种被称为“行进波”（travelling wave）的机制。想象一下，一波兴奋性的波动在神经元层面上移动，就像涟漪在池塘中扩散一样。当这波波动经过一个视觉模式时，它会将该模式中每一个活跃部分的位置转化为一个特定的时间点。图像左侧的一部分可能会比右侧的一部分提前一毫秒触发神经元放电。这个过程将静态图像转化为精确的电脉冲序列，其中放电的顺序承载了关于形状几何结构的信息。
随后，研究人员观察了当这种脉冲序列到达网络下一层时发生了什么。令人惊讶的是，他们发现即使没有经过训练，该网络也能区分不同类别的形状。当模型显示手写数字“0”、“1”或“2”时，产生的电活动模式对于每个数字都是独特的，即便网络此前从未见过这些数字。该网络可以仅凭固定的布线和信号的时序，就能分辨出水平线与垂直线的区别，或者正方形与长方形的区别。这一发现表明，大脑的物理结构以及信号在其内部传播的方式，可以生成一种结构化的世界表征，这种表征在进行特定经验学习之前就已经准备就绪。
为了测试这种识别是否真正具有鲁棒性，研究人员将形状移动到了屏幕上的不同位置。在许多计算机视觉系统中，移动物体会剧烈改变活动模式，导致系统无法将其识别为同一个物体。然而，在该模型中，研究人员使用了一种忽略活动绝对位置的读取方法。他们只关注脉冲的相对排列。即使形状被移动到新的、未见过的位置，网络仍然能够正确地进行分类。对于简单的几何形状（如线条和色块），该模型的准确率接近完美。它在处理更复杂的模式时也表现出色，识别手写数字和印刷字母的速率远高于随机猜测。这表明，网络的形状识别能力并不依赖于记忆物体所在的位置，而是取决于信号本身的内在结构。
最出人意料的发现之一是，只要神经元之间的连接足够紧密，行进波本身对于这种识别工作并非严格必要。研究人员测试了如果移除波形并同时发送所有信号会发生什么。他们发现，如果连接是狭窄且集中的，网络仍然可以准确地对形状进行分类。然而，如果连接是宽阔且分散的，信号就会变成一片混乱的模糊，网络也会失去区分形状的能力。这揭示了行进波的真正力量在于其保持大脑反应集中且局部化的能力。它充当了一个过滤器，确保只有相关的信号能在正确的时间到达并被处理，从而防止大脑被噪声淹没，即使在物理连接较为宽阔的情况下也是如此。
研究还探讨了学习是否能改进这一系统。研究人员允许网络内的连接发生变化，以模拟学习过程。他们发现，这种学习并没有改善对形状的分类能力。网络在保持固定、不变的连接时，其表现已经处于巅峰状态。这表明，在这一视角下，最初的模式识别能力是脑部设计的一种属性，而非练习的结果。学习可能承担着不同的任务，例如精细化这些初始识别或处理更复杂的任务，但分离一种形状与另一种形状的基本能力似乎是内置的。
这项工作为我们如何处理信息提供了新的视角。它表明，大脑并非一个必须通过试错来填充知识的空白板。相反，大脑的物理布局以及电波在其中的运动方式，提供了一个有序的基础。这种预先存在的结构使得大脑能够立即将视觉世界组织成不同的类别，以便进行进一步的处理。研究结果暗示，我们通常认为的“学习”可能实际上是对一个已经具备理解世界意义之能力的系统的微调。通过展示固定网络可以支持平移不变性的分类，这项研究强调了大脑架构和信号时序的重要性，表明识别一张脸或一个字母的能力，既是由于我们的经验，也是由于大脑的设计。
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。