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
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](https://s5.51cto.com/oss/202105/11/0f403ac8b7968925e969da7d4b23e310.jpg)
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。
![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](https://s2.51cto.com/oss/202105/11/7ce1458bb55d1b163c7c640ff8af58aa.jpg)
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](https://s5.51cto.com/oss/202105/11/4b3657ca807fa1dd3f9d78f7802f9ee7.jpg)
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](https://s4.51cto.com/oss/202105/11/383303bd2d9e55032dbb916d3d448ae7.jpg)
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](https://s4.51cto.com/oss/202105/11/2ae76ca36cd0c35434107e7d0e49e9da.jpg)
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。
![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](https://s5.51cto.com/oss/202105/11/823a86a8142abd3960e80491a0114182.jpg)
△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。
相关文章
- EasyCVR对接华为iVS订阅摄像机和用户变更请求接口介绍
- 精选 | 腾讯云CDN内容加速场景有哪些?
- 模块化网络防止基于模型的多任务强化学习中的灾难性干扰
- 用搜索和注意力学习稳健的调度方法
- 用于多变量时间序列异常检测的学习图神经网络
- 助力政企自动化自然生长,华为WeAutomate RPA是怎么做到的?
- 使用腾讯轻量云搭建Fiora聊天室
- TSRC安全测试规范
- 云计算“功守道”
- 助力成本优化,腾讯全场景在离线混部系统Caelus正式开源
- Flink 利器:开源平台 StreamX 简介
- 腾讯云实践 | 一图揭秘腾讯碳中和?解决方案
- 深度学习中的轻量级网络架构总结与代码实现
- 信息系统项目管理师(高项复习笔记三)
- Adobe国际认证让科技赋能时尚
- c++该怎么学习(面试吃土记)
- 面试官问发布订阅模式是在问什么?
- 面试官:请实现一个通用函数把 callback 转成 promise
- 空中悬停、翻滚转身、成功着陆,我用强化学习「回收」了SpaceX的火箭
- 中山大学林倞解读视觉语义理解新趋势:从表达学习到知识及因果融合