在遺忘之前,記憶變得模糊和混亂_風聞
返朴-返朴官方账号-关注返朴(ID:fanpu2019),阅读更多!05-09 09:20
大腦信息存儲模型揭示了記憶如何隨着年齡增長而衰退。
編譯 | 徐仁新(北京大學)
來源 | 本文選自《物理》2023年第4期,編譯自 Philip Ball. Physics,January 27,2023
理論上構建的“吸引子網絡” (attractor networks) 可用於模擬大腦的記憶。基於該網絡的一項研究再現了記憶存儲並被最終遺忘的過程。計算模擬表明,隨着年齡的增長,保留記憶的神經活動圖案變得混亂,無法預測,最終成為隨機噪聲。雖然大腦中是否會真的如此尚不清楚,但學者建議通過監測記憶過程中的神經活動隨時間的演變來研究這一行為。
從三個不同方向疊加而成的大腦磁共振圖像。它顯示了在短暫記憶測試過程中大腦的激活區域。大腦模型的網絡結構模擬表明:記憶隨時間推移而消失,表徵記憶的腦圖案會變得混亂
信號在網絡節點(神經元)之間傳遞會表現出不同圖案,是記憶存儲和檢索的依據,人工神經網絡和生物神經網絡均如此。對於人工神經網絡而言,任一時刻某個節點的輸出值取決於與其相連的其他節點的輸入。類似地,生物神經元放電的概率及頻率也取決於對其輸入。另一相似之處是,代表突觸的節點間鏈接被“加權”,可以放大或衰減所傳遞的信號。鏈接權重取決於兩個節點的同步程度,新的記憶可改變權重。
在吸引子網絡模型中,節點間交換的信號反映了實際神經元的放電率,並作為輸入確定接收神經元的響應。該網絡中,這樣的信號持續且不斷變化地傳播。為了在網絡中刻上“記憶”,人們將一串二進制數(代表某項記憶)分配給若干節點,然後觀察網絡的活動性如何隨着權重的調整而演變。節點之間傳遞的信號最終形成一種重複圖案,稱為“吸引子態”,也就是編了碼的記憶。
若將與記憶有數學關聯的新二進制數作用於節點,則可檢索記憶,讓網絡的活動性再次呈現為相應的吸引子態。通常,一個吸引子網絡可保存若干記憶,每個記憶對應於不同的吸引子態。因此,網絡的活動性在這些狀態之間來回變換。
吸引子網絡動力學示意圖。由邊界分開的區域代表吸引子狀態。剛編碼的記憶(藍色區域)對應於穩定的吸引子,其動力學由圖中的“點”所示意。舊記憶變得混亂:那裏的動力學並不完全重複(黃色區域)。一些混沌吸引子隨着記憶老化而逐漸消失。部分老化的混沌吸引子可能會影響相鄰的穩定吸引子(紅色箭頭),以致不同的回憶線索引發完全不同的記憶
此前的生物神經網絡研究表明,網絡的活動性比預期的穩定吸引子態更隨機。此外,吸引子網絡的研究顯示可能出現“災難性遺忘”:如果刻錄的記憶狀態太多,則無法檢索。
看來記憶態並非永恆。紐約大學神經科學家Ulises Pereira Obilinovic等研究記憶是如何改變的。他們調整信號權重,讓刻上記憶時的初始權重逐漸減小,記憶將最終消失。模擬給出了兩類記憶狀態。最新的記憶對應於“定點”吸引子,具有清晰而持久的圖案,就像圍繞太陽的行星軌道。但隨着記憶的老化,將轉變為第二種類型:混沌吸引子,其活動不精確重複,有點類似天氣模式。
隨着更多記憶的獲得,混沌吸引子的隨機性明顯增加,直至吸引子狀態消失為噪聲。此時不再能檢索記憶,記憶完全被遺忘。該研究認為,“遺忘”始於神經網絡的活動從規則到混沌的轉變,直至一定時間內成為噪聲。看來,人們的記憶並非忠實可靠。該模型中沒有災難性遺忘:舊的記憶將自動消失,不存在過載的可能。
吸引子網絡理論在大腦存儲的研究方面影響很大。在Obilinovic等發表的論文(Phys. Rev. X,2023,13:011009) 中,作者研究了一個稀疏連接的吸引子網絡,那裏的記憶通過所謂的“Hebbian突觸可塑規則”來訓練:新的記憶被不斷學習,舊的記憶會被遺忘。他們還構建了一個動態平均場理論來描述記憶隨時間的演化,並將該理論與網絡模擬作對比,從而給出記憶最大化情形的遺忘時間。可見,在吸引子網絡理論中,以記憶的遺忘為代價而不斷學習新知識。該研究可以較好地解釋大腦皮層中記憶狀態的多樣性,特別是皮層活動的快速變化。
鑑於舊的記憶存儲於較混雜的狀態中,研究人員推測,檢索這類記憶時神經元放電時間的波動會更大。這一看法可以通過監測記憶後不同時期的神經活動性來檢驗。
柏林工業大學神經科學家Tilo Schwalger認為,這些預言確實可以檢驗,且相關成果可應用於動物神經網絡。葡萄牙學者Francesca Mastrogiuseppe對此表示贊同,並補充説該研究“處於理論神經科學兩條主要方向的交叉點:一個跟記憶有關,另一個跟大腦中不規則的神經活動有關”。她進一步指出,研究表明這兩者有聯繫。
本文經授權轉載自微信公眾號“中國物理學會期刊網”。
特 別 提 示
1. 進入『返樸』微信公眾號底部菜單“精品專欄“,可查閲不同主題系列科普文章。
2. 『返樸』提供按月檢索文章功能。關注公眾號,回覆四位數組成的年份+月份,如“1903”,可獲取2019年3月的文章索引,以此類推。