阅读时间:2023-11-7
1 介绍
年份:2016
作者:Pierre Enel ,Emmanuel Procyk,
期刊: PLoS computational biology
引用量:174
提出更接近大脑拓扑结构的储存器具备更好的性能。
2 创新点
- 针对大脑皮层的高度递归连接的特性,作者提出了采用储层计算(reservoir computing)框架来模拟前额叶皮层的信息处理和表示。
- 通过在复杂的认知任务中比较储层模型和行为任务时猴子体内背部前扣带回区(dorsal anterior cingulate cortex,dACC)神经元的活动,论文验证了储层计算框架在理解前额叶皮层信息处理和表示方面的相关性。
- 论文还展示了储层模型的信息表达能力,在复杂的认知任务中与dACC神经元的活动进行了对比,从而验证了储层计算框架在前额叶皮层中理解信息处理和表示的相关性。
- 通过储层计算框架可以生成混合选择性表示,这对于前额叶皮层的任务学习和适应性行为具有重要意义。
4 实验策划
(1)数据采集
两只恒河猴参与了这项任务,在这项任务中,它们必须找出在触摸屏上显示的四个目标中,哪一个可以得到果汁奖励。
猴子们盯着一个中心点,把手放在屏幕上显示的杠杆上。经过一段时间的延迟,目标出现了,猴子们向一个目标扫视,并盯着它看,直到杠杆消失。
给出奖励或不奖励的反馈,猴子必须在随后的试验中重复奖励选择。
这项研究测量了猴子在执行任务时大脑皮层的神经活动。
经过训练后,猴子以近乎最佳的方式完成任务,避开了之前探索过的和没有奖励的目标,并正确地重复了奖励的选择。
在搜索阶段,第一只猴子的平均试验次数约为2.4次,第二只猴子为2.65次,在重复阶段,第一只猴子的平均试验次数约为3.14次,第二只猴子为3.4次。
(2)实验设计
采用一种基于储层的循环神经网络模型,使用储层计算来执行认知任务并生成预测。
采用递推最小二乘算法结合FORCE学习原理对读出权值进行修改。
5 实验分析
- 该模型几乎完美地完成了所有训练协议的任务。它在随机搜索中学习困难,但在循环搜索、有序搜索和训练后从Monkey 1的表现中获得的时间表方面表现得几乎完美。
- 大多数储层单单元对选择和阶段表现出显著的主效应,表明它们编码了与任务相关的变量。
图10 在一个问题中前后连续试验的储备池和dACC神经群体的PCA投影轨迹,呈现出吸引子样的动力学
图10说明了通过模型训练,在动态复杂的混合活动中,可以从储层网络中稳定地提取到任务相关的信号,例如系统处于搜索阶段还是重复阶段。 储层网络可以产生这种复杂的动态活动,而线性读取单元可以准确地从中提取出任务的状态。
6 思考
说明了储层具备神经科学的属性。在图10中用attractor去做的可视化,很新颖,并解释了可视化的结果,用方差去评价效果。
之前还在另一篇论文中看到了有用到这种可视化方法,但是那篇论文的作者并没有解释可视化的作用。【A pseudo-inverse decomposition-based self-organizing modular echo】
这篇论文的可视化是非常漂亮的,丰富多样,配色好看。