科学家发现大脑靠“旋转”区分过去和现在,给AI架构设计提供思路

新闻 人工智能
最近,两位神经学家发表在Nature Neuroscience的研究,就揭示了大脑是如何同时处理两者。

 [[398867]]

本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转载请联系出处。

过去和现在的边界,到底在哪里?

人类,又是如何在时间混沌中区分出过往与当下的?

注意,这不是一个哲学问题。(手动狗头)

而是科学家们的最新研究。

两个普林斯顿的神经学家,用几何的方式回答了这一问题。

科学家发现大脑靠“旋转”区分过去和现在,给AI架构设计提供思路

他们发现,人的大脑是通过“旋转”的方式,来区分新的感官信息和早期记忆。

旋转个90度,让过去和现在互不干扰。

具体是如何实现的?

大脑如何感受时间?

一直以来,我们理解周围环境、学习、行动和思考的能力,都有赖于感官和记忆之间连续、灵活的互动。

一方面,我们必须通过感官吸收周围世界的新信息。与此同时,还要保持对早期现象、事件的短期记忆。

而要实现这一点,就需要大脑识别出感官和记忆的区别。

但以往的经验表明,大脑并没有将短期记忆功能,完整划分到高级认知区域。

相反的,更多是划分到表征经验的感知区域、以及其他皮质中枢。

最近,两位神经学家发表在Nature Neuroscience的研究,就揭示了大脑是如何同时处理两者。

一句话来说就是,大脑“旋转”感官信息,将其编码为记忆。

两个“正交”表征,同时从神经活动中提取信息,互不干扰。

[[398868]]

要发现这事儿,科学家们将目光瞄准了小鼠的听觉感知。

他们让小鼠反复听四个和弦序列,从而建立和弦之间的关联。

当小鼠听到一个初始和弦与另一个和弦时,能预测接下来会有什么声音

这时候,科学家们训练ML分类器来分析小鼠在聆听过程中听觉皮层上的神经活动。

科学家发现大脑靠“旋转”区分过去和现在,给AI架构设计提供思路

随着时间的推移,他们发现,关联和弦的神经表征开始彼此相似。

不过也观察到,当遇到不熟悉的和弦序列时,小鼠会改变它对先前输入的表征。

这些神经元对过去刺激的编码进行反向改变,使之与动物对后来刺激的编码相匹配。

那么大脑又是如何对抗这些干扰,来保存正确的记忆呢?

研究人员训练了另一个分类器来识别和区分过程中的记忆表征。

比如,当一个意外的和弦唤起与一个更熟悉的序列之间的比较时, 神经元的激活方式。

结果,分类器的确看到了完整的神经活动模式,并非直接去“修正”。

那些记忆编码看起来与感官表征有很大不同,他们是通过“正交”维度组织起来的。

科学家发现大脑靠“旋转”区分过去和现在,给AI架构设计提供思路

研究者表示,这一过程就像是在纸上写笔记。

写着写着发现没有空间里,就要把纸张旋转90度,在另一侧页边空白处写字。

大概就像这样。

科学家发现大脑靠“旋转”区分过去和现在,给AI架构设计提供思路

这基本上就是大脑正在做的事情。

它得到了第一个感觉输入,将它写在纸上然后旋转个90度。这样就可以写进新的感觉输入,而不会受到干扰和覆盖。

此外,他们排除了由不同的神经元独立处理感官和记忆表征的可能性。

他们发现,神经元的活动可以整齐地分为两类。

一类是负责感觉和记忆表征的“稳定”神经元,一类是活动时翻转其反应模式的“转换”神经元

感觉信息转化为记忆的过程中,”稳定 “神经元和 “切换 “神经元的组合促进了感觉信息的转化,前者随着时间的推移保持其选择性,后者随着时间的推移颠倒其选择性。

这些神经反应共同旋转了群体表征,将感觉输入转化为记忆。

事实证明,这样的方式需要的神经元和能量会更少。

这一研究来自普林斯顿大学的神经科学家Timothy Buschman 和他实验室的研究生 Alexandra Libby。

[[398870]]

△Timothy Buschman

Libby表示,这一研究有助于会给神经网络架构提供新的设计思路,尤其是多任务处理的那种。

 

责任编辑:张燕妮 来源: 量子位
相关推荐

2022-08-24 10:57:38

深度学习人工智能

2021-05-06 09:43:45

AI 模型人工智能

2021-02-01 10:33:20

人工智能机器学习技术

2023-05-23 09:34:16

科学家AI

2012-12-06 15:36:55

CIO

2023-05-04 12:35:39

AI科学

2017-08-04 15:53:10

大数据真伪数据科学家

2023-03-20 13:39:00

数据分析开源

2018-05-04 11:30:22

2023-07-26 14:00:47

模型研究

2022-11-03 14:13:24

腾讯科学家

2017-01-09 15:22:53

2018-12-24 08:37:44

数据科学家数据模型

2020-12-14 10:24:25

人工智能

2011-09-01 13:42:57

HPC高性能计算超新星

2023-10-04 10:16:56

2024-06-05 15:02:59

生成式人工智能机器学习人工智能

2020-04-10 11:58:56

AI咨询数据科学

2020-10-25 11:16:25

VR科学家图像

2012-12-26 10:51:20

数据科学家
点赞
收藏

51CTO技术栈公众号