Работната памет е сложна и динамична, като вашите мисли

Резюме

Работната памет е мястото, където мислите се задържат и манипулират. В продължение на много години доминиращият модел беше, че работната памет разчита на невронна динамика в стационарно състояние. Невронно представяне беше активирано и след това задържано в това състояние. Въпреки това, както често се случва, колкото повече изследваме работната памет (особено с новите технологии), толкова по-сложна изглежда тя. Последните открития показват, че работната памет включва множество механизми, включително периодични пристъпи на пикове. Спомените също са динамични, развиват се в зависимост от задачите. Кортикалните ритми могат да контролират тази динамика, като по този начин осигуряват "изпълнителен" контрол отгоре надолу върху нашите мисли.

Има връзка между манипулирането на нашите мисли и паметта, ако можем да манипулираме позитивно мислите си, ще имаме по-добро мислене и памет.

Мислите са сила, която въплъщаваме, и нашите мисловни процеси и поведение се влияят от мислите. Ако мислите ни са заети от негативизъм и негативно съдържание, ще станем песимисти, което ще се отрази на мисленето и паметта ни. Напротив, ако можем да контролираме мислите си с положително осъзнаване, ще можем да мислим и помним по-добре.

Когато става въпрос за манипулиране на нашите мисли, има няколко неща, които можем да направим. Можем да намерим оптимистична помощ в ежедневието си, като слушане на музика, четене на вдъхновяващи книги, общуване с позитивни приятели и т.н. Можем също така да стимулираме умовете си, като обогатим базата си от знания и научим нови умения. Тези методи ще ни помогнат да станем все по-изострени в мисленето и паметта си.

В заключение, има тясна връзка между манипулирането на мисли и паметта. Трябва положително да манипулираме мислите си, за да подобрим способностите си за мислене и памет. Докато имаме правилния манталитет и развием добри навици, ще имаме по-здравословен, по-щастлив и по-успешен живот. Вижда се, че трябва да подобрим паметта. Cistanche може значително да подобри паметта, тъй като Cistanche е традиционен китайски лекарствен материал с много уникални ефекти, един от които е да подобри паметта. Ефикасността на мляното месо идва от различните активни съставки, които съдържа, включително киселина, полизахариди, флавоноиди и др. Тези съставки могат да насърчат здравето на мозъка по различни начини. Каймата е традиционно китайско билково лекарство с много уникални ефекти, едно от които е подобряване на паметта. Ефикасността на мляното месо идва от различните активни съставки, които съдържа, включително киселина, полизахариди, флавоноиди и др. Тези съставки могат да насърчат здравето на мозъка по различни начини.

Щракнете върху познайте 10 начина за подобряване на паметта

ВЪВЕДЕНИЕ

Преди повече от 30 години работната памет беше решена. Бяхме открили невронната основа за задържане на елемент в работната памет. Моделът беше ясен. Стимулът активира невронни пикове в pFC. Тази активност се поддържа, след като стимулът изчезне и паметта му се съхранява в работната памет (Miller, Erickson, & Desimone, 1996; Funahashi, Bruce, & Goldman-Rakic, 1989; Fuster & Alexander, 1971). Десетилетия изследвания подкрепиха и разработиха този модел. Сега знаем, че представянията на работната памет се наблюдават в различни кортикални области (Christophel, Klink, Spitzer, Roelfsema, & Haynes, 2017). Научихме за важната роля на невромодулаторите (Vijayraghavan, Wang, Birnbaum, Williams, & Arnsten, 2007). Получихме представа за биофизичните и верижните механизми, които поддържат активността повишена (Wang, 1999).

Въпреки това, както обикновено се случва в науката, осъзнахме, че невронните основи на работната памет са по-сложни, отколкото смятахме първоначално. Новата технология позволи по-подробно разбиране на работната памет. Тези прозрения потвърдиха, че невронната активност, наблюдавана по време на забавяне на паметта, играе важна роля в работната памет. Те обаче също така разкриха, че работната памет не е просто поддържане в стационарно състояние, като верига на резе в мозъка ви, която се включва и изключва. Има пристъпи на пикове срещу липса на пикове. Има динамика и възникващи свойства, които могат да се видят само на нивото на невронни популации и сумираната активност на милиони неврони (в местните полеви потенциали [LFPs]). Освен това нова работа показа, че тази динамика поддържа най-важното нещо за работната памет: тя е под "изпълнителен" контрол отгоре надолу. Можем да избираме за какво да мислим и как да мислим за това.

Марк Стоукс беше катализатор в това ново разбиране за работната памет. Тук преразглеждаме нашето възприемане на „стоусовия“ възглед за работната памет. Имаше две ключови прозрения. Първо, работната памет не е просто постоянната активност на невроните. Също така е "безшумен" с пристъпи на пикове срещу малко или никакво пикане. По време на "мълчаливите" периоди, спомените се държат от механизми за краткотрайна пластичност, като ехо или впечатление, което шиповете оставят в мрежата. Второ, активността на работната памет не е постоянно, достоверно представяне на сензорни входове. Вместо това, той е силно динамичен с представяния, които се променят и развиват. Това не са несвързани прозрения. Безшумната динамика на активността допринася и оставя място за възникващи свойства като осцилаторни ритми на различни честоти. Скорошната работа върху тези ритми е уловила невронните сигнатури на контрола отгоре надолу.

РАБОТЕЩАТА ПАМЕТ Е ТИХА ДЕЙНОСТ

Класическият възглед за работната памет е, че тя е представена в продължителната активност на невроните в pFC. Например, когато маймуните са били обучени да запомнят местоположението на награда (Fuster & Alexander, 1971) или да запомнят местоположението на стимул (Funahashi et al., 1989), невроните в pFC са били открити като тонично активни толкова дълго, колкото животното държеше елемента в паметта. Това съвпадна с нашия собствен опит за работната памет като активен процес, който изисква усилия. Така че, естествено, изследователите предположиха, че продължителната активност е това, което поддържа репрезентации при забавяне на паметта.

Въпреки това, през последното десетилетие внимателното изследване на невронната активност установи, че невронните реакции в pFC не са толкова устойчиви, колкото някога вярвахме. Както е прегледано от Stokes (2015), невронните реакции често се връщат към "изходните" нива след няколко секунди. Освен това, прекъсването на поддръжката на работната памет, като животното превключи за кратко на друга задача, доведе до изчезване на представянията на работната памет. След това те се появиха отново, когато животното се включи отново в първоначалната задача на работната памет (Watanabe & Funahashi, 2014). Тези резултати доведоха до идеята, че други механизми могат да поддържат представяне на паметта. През последните няколко години бяха повдигнати няколко възможности.

Първо, надграждайки теоретична работа (Mongillo, Barak, & Tsodyks, 2008), Stokes и колегите предложиха, че работната памет може да се поддържа в краткосрочната синаптична пластичност (STSP). В този модел преходните невронни представяния, като тези, предизвикани от сензорен стимул, могат временно да променят синаптичните тегла в мрежата (напр. чрез промяна на концентрацията на синаптичните везикули и/или невротрансмитерния рецептор). Смята се, че тези промени са краткотрайни (под 1 секунда), но продължават достатъчно дълго, за да запазят следите от стимул в свързаността в мрежата при забавяне на паметта. С други думи, пикът оставя "впечатление" в мрежата, което може да поддържа паметта между пикове.

Разбира се, една присъща трудност при тестването на тази теория е, че не можем директно да наблюдаваме синаптичните тегла в поведенческия мозък - всички наши методи откриват нервната активност. За да заобиколят това, лабораториите Stokes and Postle разработиха умен подход за измерване на синаптичните промени – „пинг“ на системата с ярък визуален стимул (Wolff, Jochim, Akyürek, & Stokes, 2017) или TMS импулс (Rose et al ., 2016). Ако паметта се съхранява в краткосрочни синаптични промени, тогава нервната реакция, предизвикана от стимула/пулса, трябва да се промени като функция на това, което се съхранява в паметта. С други думи, пулсът трябва да "реактивира" паметта. В съответствие с безшумния модел на активност, елементът в паметта не може да бъде декодиран (с ЕЕГ или fMRI) преди пулса. Паметта обаче може да бъде декодирана в невронния отговор след визуалния стимул/TMS импулс. Въпреки че не изключват напълно алтернативни обяснения, тези изследвания предоставят първия тест на безшумна форма на памет.

STSP може да не е единственият механизъм за безшумна дейност, който се играе в задачите на работната памет. Дългосрочната епизодична памет играе важна роля в поддържането на работната памет (Beukers, Buschman, Cohen, & Norman, 2021; Sutterer, Foster, Serences, Vogel, & Awh, 2019). Въпреки това, едно ограничение на дългосрочната памет е, че тя страда от „проактивна намеса“. Тази интерференция възниква, когато два спомена са подобни, което затруднява разграничаването на текущия спомен от близкото минало (напр. предишното поведенческо изпитание). Теоретичната работа предполага, че епизодичната памет може да смекчи смущенията чрез съхраняване на контекста, в който се е случила паметта (DuBrow, Rouhani, Niv, & Norman, 2017; Mensink & Raaijmakers, 1988). Такава контекстна информация може да осигури уникален маркер за сортиране и разграничаване на различни спомени, като ги предпазва от намеса една в друга (Beukers et al., 2021). По този начин дългосрочната памет може да осигури друг тих механизъм за активност, поддържащ работната памет. В съответствие с това, скорошна работа установи, че проактивната намеса е най-силна в опити, в които участниците трябва да запомнят голям брой елементи (вероятно надвишаващи капацитета на работната памет; Oberauer & Awh, 2022). Това предполага, че участниците могат да се занимават с дългосрочна памет само когато е полезно да се допълни работната памет.

Като цяло тези резултати предполагат, че мозъкът използва множество механизми, за да поддържа информация в работната памет. Това има смисъл - поддържането на краткосрочни спомени за сензорни входове е от решаващо значение за познанието, което му позволява да се освободи от непосредствения свят. Може да е имало силен еволюционен натиск за разработване на множество механизми за поддържане на информация в работната памет. Например, скорошна работа по моделиране показа, че STSP може да направи работната памет по-стабилна. Козачков и колеги (2022) обучават изкуствени повтарящи се невронни мрежи (RNN) със и без STSP да изпълняват задача на работната памет на обекта. И двете RNN със и без STSP успяха да поддържат спомени, дори и в лицето на разсейващ фактор. Въпреки това, RNN със STSP бяха по-устойчиви на шум и влошаване на мрежата от RNN без STSP. Освен това, RNNs със STSP показват активност, която е подобна на тази, наблюдавана в кората на нечовекоподобен примат, изпълняващ същата задача. RNN без STSP бяха по-изкуствени и по-малко мозъчни. Накратко, STSP и други безшумни механизми правят мрежите с работна памет да работят по-добре. След това обсъждаме как работната памет също е динамична.

РАБОТНАТА ПАМЕТ Е ДИНАМИЧНА
Класическият възглед за работната памет е, че тя е стабилно представяне на скорошни сензорни входове. Работата на Fuster, Goldman-Rakic ​​и други открива неврони в pFC, които реагират на визуални стимули и след това поддържат пикова активност през последващо забавяне на паметта (Miller et al., 1996; Funahashi et al., 1989; Fuster & Alexander, 1971) . Въпреки това, по-нова работа показа, че работната памет е по-динамична, отколкото се смяташе преди. По-нови широкомащабни записи на популации от неврони ни позволиха да декодираме невронна информация с много по-голяма чувствителност от предишния подход с един електрод (King & Dehaene, 2014; Meyers, Freedman, Kreiman, Miller, & Poggio, 2008). Ако представянията са стабилни, тогава декодер, обучен на невронни представяния в един момент от времето, трябва да може да декодира представянето в друг момент от времето. Като алтернатива, ако представянията са динамични, тогава декодерът не трябва да успее да обобщи във времето. Използвайки този подход, Stokes и колеги (2013) показаха, че представянето на паметта е силно динамично. Декодери, обучени да декодират идентичността на визуалния стимул, когато е видим, не са в състояние да декодират паметта на същия този стимул, дори само 250 msec в закъснението на паметта. Това предполага, че на ниво популация невронните кодове за сензорни входове и спомени са различни. Подобни резултати са наблюдавани при гризачи (Harvey, Coen, & Tank, 2012). Интересното е, че Стоукс и колегите му откриха, че след няколкостотин милисекунди представянето се стабилизира (Spaak, Watanabe, Funahashi, & Stokes, 2017). След това, към края на периода на забавяне, когато животното се подготвяше да реагира, невронното представяне отново стана динамично.

Въз основа на тази работа Panichello и Buschman (2021) откриха, че динамиката в работната памет е под когнитивен контрол. Маймуните изпълняват задача, която изисква от тях да запомнят цвета на два квадрата (Фигура 1А). След забавяне на паметта, маймуните бяха насочени да изберат един от двата квадрата и след това, след второ забавяне на паметта, докладваха цвета на зададения квадрат чрез сакадиране към съвпадащия цвят на цветно колело. В съответствие с предишната работа, представянето на паметта в pFC беше динамично. Интересното е, че как се променя представянето на паметта зависи от това дали е избрано за отговор (или е забравено).

По време на първото забавяне на паметта (преди избора), цветът на всеки елемент беше стабилно кодиран като пръстен, образувайки две цветни колела в невронното пространство (схематизирано на фигура 1B, вляво). Интересното е, че пръстенът на всеки елемент съществува в свое собствено независимо „подпространство“ на невронна активност. Това обаче се промени, когато беше избрана памет. Пръстенът, представляващ цвета на избрания елемент, се премести от своето независимо подпространство в ново „целево“ подпространство (Фигура 1B, вдясно). Това целево подпространство беше едно и също и за двата елемента. Когато беше избрана Памет 1, нейното представяне се премести в целевото подпространство, а когато беше избрана Памет 2, то се премести в същото подпространство. С други думи, динамиката на паметта зависи от това коя памет е избрана: Избирането на Памет 1 предизвиква един набор от динамики, които преместват Памет 1 от нейното независимо подпространство в целевото подпространство, докато избирането на Памет 2 предизвиква различен набор от динамики, които трансформират представяне на Памет 2 в целевото подпространство.

Тези резултати показват, че динамиката в работната памет е под когнитивен контрол. Но с каква цел? Независимите подпространства, наблюдавани по време на първото забавяне на паметта, имат смисъл – задачата на животното е да запомни цвета на всеки квадрат поотделно, което се улеснява от независимите подпространства (Libby & Buschman, 2021). След избора обаче задачата на животното се променя. Сега те трябва да докладват цвета на избрания елемент, независимо дали е бил памет 1 или 2. Това може да обясни динамиката, наблюдавана в работната памет. Когато е избрана Памет 1, динамиката "премества" представянето на Памет 1 в целевото подпространство (и обратно за Памет 2). Сега, когато избраният елемент е в общото целево подпространство, веригите надолу по веригата могат да използват това представяне, за да управляват реакцията на животното, независимо коя памет е избрана. По този начин когнитивният контрол може да предизвика различна динамика в подкрепа на различни когнитивни задачи.

Същият модел може да обясни динамиката, наблюдавана в други проучвания. Много от тези задачи изискват мозъкът да премине от обработка на сензорен стимул към подготовка на двигателен отговор (класически наричан преминаване от ретроспективна към проспективна памет; Rainer, Rao, & Miller, 1999). С други думи, работната памет не само поддържа вярно представяне на входовете. Вместо това съществува, за да поддържа познанието и поведението. От тази гледна точка има смисъл представянията на работната памет да бъдат динамични - те се развиват по начин, който улеснява задачата.

РАБОТНАТА ПАМЕТ Е РИТМИЧНА (И РИТМИТЕ СА КОНТРОЛ)

Работната памет е под контрол отгоре надолу („Изпълнителен“). Можем да изберем какво да кодираме в работната памет, можем да манипулираме тези мисли и можем да игнорираме разсейването и да изберем да спрем да мислим тези мисли. pFC играе ключова роля в контролирането на работната памет (Panichello & Buschman, 2021; Gazzaley & Nobre, 2012; Miller & Cohen, 2001). Както беше обсъдено по-горе, контролът отгоре надолу върху невронната динамика може да промени начина, по който се използват представянията на работната памет. Все повече доказателства предполагат, че контролът може да възникне от осцилаторна динамика, която се появява на по-високо ниво на интеграция - в LFP. LFPs са сбор от координирана, осцилаторна активност на милиони неврони. Електрическите полета, които възникват от тази дейност, могат да действат като „предпазни парапети“, които контролират по-високоизмерна активност на невронно ниво, като я насочват по стабилни нискоизмерни маршрути (Pinotsis & Miller, 2022).

The central idea is that sensory information (the contents of working memory) and control signals use different frequency bands that interact. As reviewed by Miller, Lundqvist, and Bastos (2018), recent work suggests sensory information is carried by spiking associated with bursts of gamma (>30 Hz) мощност. Контролните сигнали отгоре надолу се пренасят от алфа/бета ритми (8–30 Hz). Алфа/бета инхибира гама навсякъде, където се "сблъскват" в кората. По този начин, отгоре надолу (алфа/бета) контролира отдолу нагоре (гама/пик). Фигура 2 показва как работи това. Алфа/бета отгоре надолу се пренасят в дълбоките слоеве на кората. Дълбоките кортикални слоеве пренасят сигнали за обратна връзка надолу по кортикалната йерархия. Сензорната информация отдолу-нагоре в гама/пиковете се пренася в повърхностните кортикални слоеве, които изпращат сигнали по преден начин, нагоре по кортикалната йерархия. Алфа/бета, произхождащи от дълбоките слоеве, инхибира гама/пикове в повърхностните слоеве (Bastos, Loonis, Kornblith, Lundqvist, & Miller, 2018).

За да се получи достъп до работната памет, алфа/бета мощността на дълбокия слой и/или връзката му с бета повърхностния слой отслабва. Това деинхибира повтарящото се възбуждане на невроните на простия слой, генерирайки изблици на гама и пикове към сензорни входове. По време на поддържане на паметта балансът между алфа/бета и гама може да регулира нивото на пикове, за да опреснява от време на време синаптичните промени в теглото, които помагат за поддържането на спомените (Miller et al., 2018).

За да се прочете информация от работната памет, алфа/бета мощността/кохерентността намалява. Това позволява повишен гама избухване и нарастване на пиковете, често наблюдавани близо до края на закъсненията на паметта (Hussar & Pasternak, 2010; Roesch & Olson, 2005). Дезинхибирането на гама увеличава пиковете, така че спомените да могат да придобият контрол върху поведението. Балансът между алфа/бета и гама по време на забавянето на паметта може да поддържа гама на умерено ниво. По този начин хвърлянето не придобива преждевременно контрол върху поведението. За да се изчисти работната памет, бета мощността/свързването се увеличава. Това потиска гамата и пиковете, които поддържат паметта. Примери за тази динамика могат да бъдат намерени в Lundqvist и колеги (2016) и Lundqvist, Herman, Warden, Brincat и Miller (2018).

Тази динамика може да играе роля в много когнитивни функции, не само в работната памет. Повърхностният слой гама и дълбокият слой алфа-бета са повсеместен мотив, наблюдаван в цялата кора (Mendoza-Halliday et al., 2022; Lundqvist, Bastos, & Miller, 2020). Скорошна работа предполага, че същата динамика играе роля в предсказуемото кодиране (Bastos, Lundqvist, Waite, Kopell, & Miller, 2020). Голяма част от когнитивния контрол може да произтича от баланса и контрола на тези ритми.

КОНТРОЛ ОТГОРЕ-НАДОЛУ ЧРЕЗ ПРОСТРАНСТВЕНИ ИЗЧИСЛЕНИЯ

Досега сме обсъждали алфа/бета като че ли е сигнал с грубо стробиране. Включва и изключва работната памет като завъртане и изключване на кран или ключ за осветление. Неговият контрол обаче може да бъде по-специфичен, действащ на ниво индивидуално съдържание на работната памет. При предсказуемото кодиране, например, алфа/бета се насочва към представяне на специфични стимули във зрителната кора, за да инхибира обработката на прогнозираните сензорни входове (Bastos et al., 2020).

Скорошна работа показа, че информацията отгоре надолу, като например текущата задача, се носи от уникални модели на алфа/бета синхрон в кората (Antzoulatos & Miller, 2014, 2016; Buschman, Denovellis, Diogo, Bullock, & Miller, 2012 ). С други думи, моделите на алфа/бета образуват невронни „ансамбли“, които отразяват информация отгоре надолу. Важно е, че пространствената разделителна способност на тези петна е в макромащаб. Вижда се на нивото на LFP, които отразяват сумираната активност на милиони неврони. Тези LFP се синхронизират в милиметри или повече от кората (понякога в големи пространства на кората). Именно тези модели могат да осигурят контрола.

Идеята се нарича „пространствено изчисление“ (Lundqvist et al., 2022). Това предполага, че моделите на алфа/бета мощност и кохерентност създават макромащабна смесица от по-висока мощност алфа/бета спрямо по-висока мощност гама в кортикалните мрежи. Където алфа-бета мощността е ниска, гама и пиковете са високи и обратното. Различните модели на алфа/бета водят до различни модели на гама/пикове. Обратно, информацията за стимула (напр. съдържанието на работната памет) е представена в много по-фин мащаб. Тя се носи от модели на активност на (и свързаност между) отделни неврони (а не от милиони неврони). Стимулиращата информация е широко разпространена и се повтаря в мрежите, като пясък в по-голям мащаб на „шахматна дъска“ от алфа/бета и гама. С други думи, съдържанието (стимулите) и контролът на работната памет действат в много различни пространствени мащаби. Представянето на стимула е многоизмерно, отразено от пикови модели на популации от отделни неврони. За разлика от това, контролът е нискоизмерен, работещ на ниво групи от милиони неврони чрез модели на алфа-бета спрямо гама кохерентност.

Контролът идва от мястото, където в мрежовото пространство в момента се изразява представяне на стимул. Моделите на алфа/бета спрямо гама и промените в тези модели са изчисления. Прилагането на набор от операции (напр. изпълнение на правила на задача) съответства на налагането на различни модели на макромащаб на алфа/бета и гама. Елементите могат да бъдат достъпни и с тях да се работи само като се знае мястото им в мрежовото пространство.

За да разберете как работи това, помислете за задача, която изисква животно да запомни два обекта (A и B) в реда, в който са се появили (първи или втори; Lundqvist et al., 2018; Warden & Miller, 2007). Точно преди да се покаже първият обект, алфа/бета шаблоните създават огледален образ на гама. Този специфичен модел съответства на "1-ви елемент." Когато обектът се появи (да речем, обект A), невроните в гама пластирите, селективни за този обект, се активират, като ги подготвят (чрез STSP). След това, преди да се покаже вторият обект, различен модел на алфа/бета създава различен модел на гама, който съответства на „2-рия елемент“. Когато се появи вторият обект (да речем обект B), невроните в тези гама петна се активират и се подготвят. За да се поддържа и прочете кой обект е първи или втори, моделът, съответстващ на първия или втория елемент, се установява отново. Подготвените неврони в съответните гама пластири ще „звънят обратно“ и ще пикат по-силно. Когато, например, мозайката, съответстваща на първия обект, бъде възстановена, невроните звънят обратно с „обект А“, тъй като са били инициирани от този обект, когато се е появил за първи път. Накратко, пространственото изчисление предполага, че контролът върху работната памет произтича от моделите на пространствено-времева активност в мрежовото пространство, които отразяват и се променят с изискванията на задачите отгоре надолу.

Разделянето на съдържанието спрямо контрола на скали с високи спрямо ниски размери решава критичен проблем в много модели на невронни мрежи. В типичните модели, както правилата на задачата (контрола), така и съдържанието (напр. елементите, съхранявани в работната памет) са кодирани във високоизмерните детайли на връзката между шипове неврони. Поради тази липса на разделяне, ако някой иска да въведе нови елементи в работната памет, мрежата трябва да бъде преквалифицирана. Те не показват гъвкавостта на работната памет, наблюдавана при хора и животни. Типичните мрежови модели не могат да извършат „нулево“ обучение (незабавно обобщение), което могат истинските мозъци (вижте Bouchacourt & Buschman, 2019, за различен модел на гъвкавост; O'Reilly & Frank, 2006). Spatial Computing решава това, като разделя контрола спрямо съдържанието в различни мащаби на представяне.

От нормативна гледна точка, мозъкът може да използва малък (нискоизмерен) набор от контролни състояния, за да се адаптира гъвкаво към нови ситуации (MacDowell, Tafazoli, & Buschman, 2022). Адаптирането към нова ситуация изисква мозъкът да идентифицира състоянието на контрол, което е подходящо за настоящата ситуация. Това контролно състояние ще определи как информацията се обработва, поддържа и използва за насочване на поведението в тази ситуация. Въпреки че голям брой високоразмерни контролни състояния биха позволили прецизен контрол на поведението, оптимизирането му за текущата ситуация също би затруднило идентифицирането на „най-доброто“ контролно състояние. Обратно, ако мозъкът използва малък, нискоизмерен набор от контролни състояния, тогава ще бъде по-лесно да се намери най-добрият от комплектите. Въпреки това, такива нискоразмерни контролни състояния ще бъдат непременно груби и следователно несъвършени. Това предполага, че има компромис между високоразмерни контролни състояния, които биха били точни, но бавни за адаптиране, и нискоизмерни контролни състояния, които биха били гъвкави, но неоптимални. Като се има предвид това, мозъкът може да избере да вземе проби от ограничен брой контролни състояния, които могат да балансират прецизността и гъвкавостта (MacDowell et al., 2022).

РЕЗЮМЕ

Работната памет е централна за познанието, действайки като работно пространство, в което мислите се съхраняват и манипулират. Като се има предвид важността му, не е изненадващо, че множество механизми са се развили, за да поддържат поддържането на работната памет. Класическите резултати, показващи устойчивите представяния на елементи в работната памет, не са грешни, те са просто непълна картина. Натрупващите се доказателства сочат други механизми и възникващи свойства. Невронната основа на работната памет е сложна и динамична, точно както ни каза Марк Стоукс. В тази динамика сме придобили представа както за това как държим елементите „в ума си“, така и за това как тези мисли се контролират. Работната памет все още не е разгадана, но работата на Марк Стоукс ни показа път към по-дълбоко ниво на разбиране.

Благодарности

Тази работа беше подкрепена от NIMH R01MH115042 (TJB) и ONR N00014-22-1-2453, NEI 1R01EY033430 и The JPB Foundation (EKM).

Заявките за препечатване трябва да се изпращат до Тимъти Дж. Бушман, Принстънски институт по невронауки и Департамент по психология, Принстънски университет, PNI 256, Washington Road, Принстън, Ню Джърси 08544, или по имейл: tbuschma@princeton.edu.

Авторски принос

Тимъти Дж. Бушман: Концептуализация; Писане - оригинална чернова; Писане—Преглед и редактиране. Ърл К. Милър: Концептуализация; Писане - оригинална чернова; Писане— Преглед и редактиране.

Информация за финансиране

Ърл К. Милър, Национален очен институт (https://dx.doi.org /10.13039/100000053), грант номер: 1R01EY033430. Ърл К. Милър, фондация JPB (https://dx.doi.org/10.13039/100007457). Ърл К. Милър, Служба за военноморски изследвания (https://dx.doi.org/10.13039/100000006), грант номер: N00014-22-1-2453. Тимъти Дж. Бушман, Национален институт по психично здраве (https://dx.doi.org/10 .13039/100000025), номер на грант: R01MH115042.

Разнообразие в практиките за цитиране

Ретроспективен анализ на цитатите във всяка статия, публикувана в това списание от 2010 г. до 2021 г., разкрива постоянен модел на дисбаланс между половете: въпреки че пропорциите на авторските екипи (категоризирани по приблизителна полова идентификация на първия автор/последния автор), публикуващи в Journal of Cognitive Neuroscience ( JoCN) през този период бяха M(an)/M=.407, W(oman)/M=.32, M/W=.115 и W/W=.159, сравнимите пропорции за статиите, които тези авторски екипи цитираха, бяха M/M=.549, W/M=.257, M/W=.109 и W/W=.085 (Postle and Fulvio, JoCN, 34:1, стр. 1–3). Следователно JoCN насърчава всички автори да обмислят изрично баланса между половете, когато избират кои статии да цитират, и им позволява да докладват баланса на цитиранията на своите статии. Авторите на тази статия съобщават, че нейните пропорции на цитирания по полова категория са както следва: M/M=.829; W/M=.098; M/W=.073; W/W=0.

ПРЕПРАТКИ

1.Antzoulatos, EG, & Miller, EK (2014). Увеличава функционалната свързаност между префронталния кортекс и стриатума по време на изучаването на категории. Neuron, 83, 216–225. https://doi.org/10.1016/j.neuron.2014.05.005, PubMed: 24930701

2.Antzoulatos, EG, & Miller, EK (2016). Синхронните бета ритми на фронтопариеталните мрежи поддържат само релевантни за поведението представяния. eLife, 5, e17822. https://doi.org/10.7554/eLife.17822, PubMed: 27841747

3. Бастос, AM, Loonis, R., Kornblith, S., Lundqvist, M., & Miller, EK (2018). Ламинарните записи във фронталния кортекс предполагат различни слоеве за поддържане и контрол на работната памет. Сборници на Националната академия на науките, САЩ, 115, 1117–1122. https://doi.org/10.1073/pnas .1710323115, PubMed: 29339471

4. Бастос, А. М., Лундквист, М., Уейт, А. С., Копел, Н. и Милър, Е. К. (2020 г.). Специфичност на слоя и ритъма за предсказуемо маршрутизиране. Сборници на Националната академия на науките, САЩ, 117, 31459–31469. https://doi.org/10.1073/pnas.2014868117, PubMed: 33229572

5. Beukers, AO, Buschman, TJ, Cohen, JD, & Norman, KA (2021). Дали безшумната работна памет е просто епизодична памет? Тенденции в когнитивните науки, 25, 284–293. https:// doi.org/10.1016/j.tics.2021.01.003, PubMed: 33551266

6. Bouchacourt, F., & Buschman, TJ (2019). Гъвкав модел на работна памет. Неврон, 103, 147–160. https://doi.org/10.1016/j.neuron.2019.04.020, PubMed: 31103359

7. Buschman, TJ, Denovellis, EL, Diogo, C., Bullock, D., & Miller, EK (2012). Синхронни осцилаторни невронни ансамбли за правила в префронталния кортекс. Neuron, 76, 838–846. https://doi .org/10.1016/j.neuron.2012.09.029, PubMed: 23177967

8. Christophel, TB, Klink, PC, Spitzer, B., Roelfsema, PR, & Haynes, J.-D. (2017). Разпределеният характер на работната памет. Тенденции в когнитивните науки, 21, 111–124. https:// doi.org/10.1016/j.tics.2016.12.007, PubMed: 28063661

9. DuBrow, S., Rouhani, N., Niv, Y., & Norman, KA (2017). Променя ли се умственият контекст? Актуално мнение в поведенческите науки, 17, 141–146. https://doi.org/10.1016/j.cobeha.2017 .08.003, PubMed: 29335678

10. Funahashi, S., Bruce, CJ, & Goldman-Rakic, PS (1989). Мнемонично кодиране на визуалното пространство в дорзолатералния префронтален кортекс на маймуната. Вестник по неврофизиология, 61, 331–349. https://doi.org/10.1152/jn.1989.61.2.331, PubMed: 2918358

11. Fuster, JM, & Alexander, GE (1971). Невронна активност, свързана с краткосрочната памет. Наука, 173, 652–654. https://doi.org /10.1126/science.173.3997.652, PubMed: 4998337

12. Gazzaley, A., & Nobre, AC (2012). Модулация отгоре надолу: Свързване на селективното внимание и работната памет. Тенденции в когнитивните науки, 16, 129–135. https://doi.org/10.1016/j.tics .2011.11.014, PubMed: 22209601

For more information:1950477648nn@gamil.com