Геометрията на невронните изчисления обединява работната памет и планирането, част 1

Задачите в реалния свят изискват координиране на работната памет, вземане на решения и планиране, но тези когнитивни функции са непропорционално изследвани като независими модулни процеси в мозъка. Тук предлагаме представянето на непредвидени обстоятелства, дефинирано като съпоставяне на това как бъдещото поведение зависи от предстоящи събития, може да обедини работната памет и изчисленията за планиране.

Независимата модулност се отнася до начин за управление и организиране на неща, които правят управлението и изпълнението на задачите по-ефективни и удобни, като ги разделят на независими и повторно използвани модули. Паметта се отнася до способността на човек да учи, запомня и използва информация, което е изключително важно за личното развитие и успех.

Въпреки че независимата модулност и паметта може да не изглеждат пряко свързани, има тясна връзка между двете. Независимото модулиране може да ни помогне по-добре да организираме и управляваме информацията и да я разделим на модули, които са лесни за разбиране и запомняне. Например, когато изучаваме курс, можем да го разделим на различни модули, като учебни цели, важни концепции, упражнения и т.н. Това не само ще ни помогне да разберем и запомним информацията по-добре, но също така ще учим и овладяваме знания по-ефективно.

В допълнение, независимото модулиране също може да ни помогне да планираме и организираме по-добре време, за да използваме по-добре времето и ресурсите. Когато разделяме задачите на независими модули, можем по-добре да преценим изискванията за време и ресурси за всеки модул и да ги приоритизираме според нуждите. Това ни позволява да контролираме по-добре времето си, да увеличим производителността и по този начин да постигаме по-добре личните и организационните цели.

За да обобщим, независимата модулност и паметта се допълват взаимно и връзката между двете е много тясна. Независимата модулност може да ни помогне да организираме и запомняме по-добре информацията, подобрявайки личната и организационната производителност и резултати, докато паметта може да ни помогне да овладеем и приложим по-добре информация, като по този начин постигаме лично и организационно развитие и успех. Следователно, ние трябва активно да култивираме и подобряваме нашите независими способности за модулиране и памет, за да постигаме по-добре личните и организационните цели. Вижда се, че трябва да подобрим паметта си. Cistanche deserticola може значително да подобри паметта, тъй като Cistanche deserticola може също да регулира баланса на невротрансмитерите, като например повишаване на нивата на ацетилхолин и растежни фактори. Тези вещества са много важни за паметта и ученето. Освен това месото може също така да подобри притока на кръв и да насърчи доставката на кислород, което може да гарантира, че мозъкът получава достатъчно хранителни вещества и енергия, като по този начин подобрява мозъчната жизненост и издръжливост.

Щракнете върху познайте начините за подобряване на мозъчната функция

Създадохме задача, способна да различи различни видове представяния. В оптимизирани за задача повтарящи се невронни мрежи, ние изследвахме възможни верижни механизми за непредвидени представяния и открихме, че тези представяния могат да обяснят неврофизиологични наблюдения от префронталния кортекс по време на задачи с работна памет.

Нашите експерименти разкриха, че човешкото поведение е в съответствие с представите за непредвидени обстоятелства, а не с традиционните сензорни модели на работната памет. И накрая, ние генерирахме фалшифицируеми прогнози за невронни данни, за да идентифицираме непредвидени представяния в невронни данни и да разграничим различни модели на работна памет. Нашите констатации характеризират невронна репрезентационна стратегия, която може да обедини работната памет, планирането и контекстно-зависимото вземане на решения.

Работна памет|изчислителен модел|невронна мрежа|представителна геометрия.

В променлива във времето среда гъвкавото познание изисква способността да се съхранява и комбинира информация във времето, за да се ръководи по подходящ начин поведението. В често използваните парадигми на задачи за забавяне, преходен сензорен стимул предоставя информация, която агентът трябва да поддържа вътрешно през секундно мнемонично забавяне, за да насочи бъдещ отговор (1-4).

Работната памет е основна когнитивна функция за активно поддържане и манипулиране на информация, свързана със задачата, за последваща употреба. За да ръководи гъвкавото поведение, съдържанието на работната памет трябва да взаимодейства с други когнитивни функции, като планиране и контекстно-зависимо вземане на решения. И все пак в неврологията тези функции са изследвани до голяма степен независимо и остава слабо разбрано как мозъкът координира тези процеси в услуга на целенасочено поведение.

Вътрешните представи, свързани с когнитивните състояния, могат да бъдат разкрити чрез запис на невронна активност по време на забавени задачи при животни и хора. Невроните в префронталната кора показват модели на селективна активност по време на мнемонични забавяния на задачи с работна памет (5, 6). Активността на селективното забавяне по време на работната памет най-често се интерпретира и прилага в изчислителни модели като представяне на характеристики на сензорни стимули, които могат да бъдат обработени, за да насочат по-късен отговор.

В доминиращата концептуална рамка предложената когнитивна стратегия по този начин използва представяния на работната памет, които са основно сензорни (5, 6). Сензорната стратегия за работната памет е предизвикана от наблюдения на префронтална забавяща активност, която по-добре корелира с различни променливи на задачите, включително действия, очаквани стимули и правила (2, 3, 7).

Освен това нарастващата литература характеризира значителна нелинейна смесена селективност на характеристиките в префронталния кортекс, които по принцип могат да поддържат зависимо от контекста поведение (8-10). Тези различни наблюдения предполагат, че е необходима по-унифицирана рамка, за да се отчетат изчислителните роли на работната памет, планиране и вземане на решения в зависимост от контекста.

Компютърното моделиране е плодотворно приложено за изследване на потенциални механизми на невронни вериги, поддържащи когнитивните функции, включително работна памет и вземане на решения (11). Функциите на работната памет обикновено се моделират с различни модулни вериги, които не отчитат смесената селективност в префронталния кортекс и предполагат, че работната памет поддържа сензорни представи (11, 12).

Подходът за допълващо моделиране използва модели на изкуствени невронни мрежи, които са обучени да изпълняват когнитивни задачи (13). За разлика от ръчно проектираните модели, моделите на рекурентна невронна мрежа (RNN), обучени на задачи, могат да изпълняват задачи със забавяне, без да изискват предположения относно архитектурите на структурирана верига или формата на представяне на работната памет (14).

Следователно този подход е много подходящ за изследване на изчислителни механизми, чрез които представянията на работната памет могат да поддържат гъвкави изчисления (4, 15–18).

Значение

Свързването на наблюдаваните състояния на невронните вериги с вярвания, действия и планове е основна цел на системната невронаука, но това представлява значителни предизвикателства за експерименталния дизайн, анализ и теория.

Особено в областта на задачите за забавяне, логиката на представяне на невронните ансамбли е широко обсъждана. Използвайки задача за забавяне, която позволява независим контрол на изчислителните изисквания на базата на предсърдията, ние идентифицираме предполагаемо представяне на забавяне, което отразява планове относно предстоящи очаквани стимули. Представянията за непредвидени обстоятелства позволяват ефективно съпоставяне на отговорите за разнообразие от различни задачи за забавяне.

В невронни мрежи, оптимизирани за задачи, ние изследваме как представянията за непредвидени обстоятелства се свързват с наблюдаваните явления от литературата за неврофизиологичната работна памет. И накрая, ние демонстрираме, че човешкото поведение е в съответствие с представянията за случайни обстоятелства.

В това изследване ние изследваме последиците от когнитивна стратегия, при която вътрешните състояния представляват планове, а не възприятия или действия. По-конкретно, нашата теоретична рамка дефинира непредвидени състояния въз основа на това как бъдещото поведение зависи от предстоящите събития. Създадохме парадигма на задачите, условна забавена логика (CDL), за да разграничим базираните на непредвидени ситуации стратегии от сензорните или базираните на действия стратегии за работна памет.

RNN моделите, напрегнати върху задачата CDL, развиват обогатяване на непредвидените ситуации в техните представяния на състоянието, което се отразява в геометричната структура на моделите на активност на населението. Вътрешните представяния на модела улавят различни феномени на невронна активност, наблюдавани по време на работната памет. Тествахме човешкото поведение по задачата CDL и открихме ключови признаци на стратегия, базирана на непредвидени обстоятелства, в поведението на времето за реакция.

И накрая, ние предоставяме фалшиви прогнози за невронната активност, за да разграничим представянията за непредвидени случаи от алтернативните изчислителни схеми. Взети заедно, нашето изследване представя теоретична рамка за това как работната памет поддържа планирането за разширено във времето познание и гъвкаво поведение, което обяснява различни поведенчески и неврологични наблюдения и може да бъде експериментално тествано.

Резултати

CDL задача. В много често използвани задачи за забавяне има корелации между сензорни стимули, реакции, изчислителни изисквания или правила, които предотвратяват разделящото се приписване на невронната активност на специфични променливи на когнитивната задача (1, 19). Следователно ние потърсихме задача, която включва 1) изчисление на информационни входове, разделени със закъснение; 2) точни междинни изчислителни състояния, които се повтарят често; 3) опити, за които правилният отговор може да бъде предвиден по време на забавянето на някои опити, но не и на други; и4) декорелация на информация за действие, сетивност, правило и изчислително състояние.

За да отговорим на тези изисквания, ние проектирахме задачата CDL, която прилага двоична класификация към два двоични стимула, разделени със закъснение (фиг. 1A). Ние наричаме стимулите със закъснение и след забавяне съответно "cueA" и "cue B". Правилата могат да бъдат дефинирани като булеви логични операции и едно правило се представя тонично по време на продължителността на всяко изпитване.

При всеки опит на агента се представя правило за задача, сигнал A и сигнал B и трябва да генерира асоцииран отговор. Например, в правилото ИЛИ отговорът на агента трябва да бъде "едно", ако някоя реплика е равна на едно. От 16 възможни двубитови двоични класификации, ние ще се съсредоточим върху 10 правила (фиг. 1B), за които отговорът зависи от сигналите, но независимо от реда на сигналите.

Последните 10 правила включват логическите оператори (N)OR, (N)AND и X(N)OR, както и (Anti-)Memory и (Anti-)Report. В Memory агентът трябва да отговори със стимул A за този опит, а в Report агентът трябва да отговори с стимул B за този опит. И в двата случая "Анти-" сигнализира за инверсия на изхода. Правилото, репликата A и репликата B се променят на случаен принцип в опитите.

Изявления за непредвидени обстоятелства. За да изпълни CDL задачата, агентът трябва да поддържа представяне на информация за задачата през цялото забавяне. Човек може да очаква агентът да поддържа идентичността на стимула на сигнал А, което би било достатъчно за решаване на всички опити. В тази „сензорна стратегия“, която обикновено се приема в моделите на работната памет, информацията, свързана със задачата, се поддържа през забавянето, за да ръководи отговор във връзка с информацията в реплика B и правило (5, 20).

Възможна е алтернативна „стратегия на действие“ за условия на изпитване, при които реакцията може да бъде предварително планирана по време на забавянето (2, 21). Освен това, агентът може да представи самоличността на правилото, която се представя по време на забавянето (3). Тези представяния не са изключителни.

For more information:1950477648nn@gmail.com