如何改变神经代码打开大脑的内部学习机制｜CyberDaily

我们的大脑非常擅长学习世界上的模式并理解它们。大脑在我们的一生中不断地学习和适应，甚至支持学习行为的神经元，例如每天步行上班，也在不断变化。

这种“代表性漂移”发生时的行为或任务表现看上去没有任何明显变化。一切似乎都是常规和稳定的，也就是说，你遵循相同的工作路径，制定相同的计划并采取相同的步骤，但是与此同时，大脑某些部分的神经活动模式实际上正在发生变化。

发表在 PNAS 杂志上的一项新研究提出了尽管神经代码发生变化，大脑如何保持稳定。

剑桥神经科学家和研究合著者 MICHAEL E. RULE 博士和 TIMOTHY O'LEARY 博士认为，神经元（使你的大脑工作的细胞）可以检测到它们的某些输入何时发生变化，并调整影响的强度。神经元具有另一个，以进行补偿，从而支持一种内部学习形式。

“神经代码的这些变化与语言如何随时间逐渐变化具有相似之处，同时忠实地传达共同的想法和概念，” RULE 博士说。

虽然大脑的某些部分是可塑性的，并且变化很快，但其他部分则表现出长期稳定性。那么神经回路如何在不必不断地重新学习他们已经学习过的东西的情况下相互交流呢？即使是脑机接口，这种越来越多地被用作认知或身体障碍者的辅助生活设备，也必须应对“漂移”。

研究人员认为，单细胞内的稳态过程可以帮助大脑在变化时“观察自己”，而内部产生的信号有助于稳定的神经群体“学习”如何跟踪不稳定的神经群体。研究人员根据建模和活体大脑活动的数据/观察做出了这一猜想。

虽然大脑的某些部分是可塑性的，并且变化很快，但其他部分则表现出长期稳定性。图片来源：MICHAEL E. RULE

工程师们目前是如何开发机器学习算法来跟踪神经表征的变化，研究人员提出，类似于这些算法的东西也可能在大脑中起作用，并从众所周知的学习规则和稳态过程中出现。

“这可能解释了可塑性和稳定的神经群体如何能够在大脑中共存，”RULE 博士说。“我们已经知道‘表征漂移’发生在海马体――大脑中在学习和记忆中起主要作用的部分――并且似乎发生在顶叶皮层――负责感觉感知和整合的区域。我们提出的是几种特定机制，可以帮助使这种可塑性与大脑的长期稳定性兼容。”

“人工智能存在一个巨大的未解决的挑战，即构建可以持续学习而不破坏先前学习信息的算法的问题，”他说。

“大脑显然实现了这一点，而这项工作是朝着寻找可以做到这一点的算法方向迈出的一步。”

作为一个自适应系统，大脑必须在不断整合新信息的同时保持对世界的如实呈现。最近的实验已经测量了多天的皮质和海马回路中的群体活动，并发现与固定的行为变量和感知相关的神经活动模式会随着时间的推移而发生巨大变化。

这种“表征漂移”提出了一个问题，即可塑性种群代码如何与其他电路中发现的稳定的长期表征以及外围感觉和运动信号的相对严格的地形映射相一致地相互作用。我们探索已知的可塑性机制如何允许单个神经元可靠地读出不断发展的种群代码，而无需外部错误反馈。

我们发现赫布理论学习和单细胞稳态之间的相互作用可以利用分布式种群代码中的冗余来补偿调整中的逐渐变化。部分稳定读数的循环反馈可以允许读数单元池进一步纠正由代表性漂移引入的不一致。

这显示了相对简单的已知机制如何在短期内稳定神经调谐，并为可塑性神经代码如何保持与统一的长期表征相结合提供了一个合理的解释。