记忆只有 7 秒？Cell 揭示与「短期记忆」相关的神经网络鲁棒性，为人工智能提供借鉴

丁香学术2021-09-09

241

研究背景

在信息高速传播的当今时代，大脑无时无刻不面临海量信息冲击，这种情况下，人类和动物的大脑如何维持神经网络稳定呢？

近日，美国贝勒医学院的李诺博士与斯坦福大学的 Shaul Druckmann 博士作为共同通讯作者，合作在 Cell 杂志发表了名为 Modularity and robustness of frontal cortical networks 的文章，通过建立动物短期记忆研究系统，揭示了大脑维持鲁棒性的神经机制。

记忆只有 7 秒？Cell 揭示与「短期记忆」相关的神经网络鲁棒性，为人工智能提供借鉴

图片来源：Cell

什么是鲁棒性（robustness）？

鲁棒性用于衡量网络可承受扰动影响的程度。对大脑神经网络来说，鲁棒性用于衡量大脑在受到多种信息影响或损伤时，大脑 1 个或 2 个区域之间的联系情况。

人或者动物具备的「短期记忆」功能就是大脑鲁棒性的体现。

研究思路

稳定的神经活性是构建认知功能的基础，因此研究团队首先对小鼠实行不同的触觉刺激（刺激不同胡须位置）并通过让小鼠定向地舔左/右方向延迟获得奖励（水），从而让小鼠必须通过短期记忆才能够成功获取奖励。

图片来源：Cell

随后，研究团队对执行短期记忆实验小鼠的两侧额叶皮质进行神经电活性记录，并通过光遗传学抑制该部分神经元活性，发现两侧额叶皮质呈现相似的短时记忆信息，神经活动呈现高度一致；并推测短期记忆任务期间，两侧额叶皮质相互联系协作完成行为选择的操控。

此外，研究团队通过光遗传学抑制单侧前额皮层神经活性并检测其对对侧脑区神经活性的影响，发现存在 2 种小鼠，其一是抑制任一单侧神经活动时对侧神经活动不受影响（模块化）；另一种是抑制左侧神经元活性对右侧有影响，而抑制右侧神经活性却对左侧无明显影响（非模块化，不对称性）。

图片来源：Cell

研究团队进一步分析发现不同小鼠间的差异化，并发现两侧半脑之间的联系是可以通过改变任务模式发生变化的。

既然不同小鼠模块化程度不同，并且我们可以通过改变任务模式调节小鼠的模块性，那么验证小鼠模块性（Modular organization）对大脑神经网络鲁棒性影响就是下一步要做的事情。

结果表明，模块化程度越高，干扰任一侧大脑神经活性小鼠的短时记忆恢复正常能力越强；与之相反，模块化程度低（不对称），干扰优势侧神经活性则明显影响小鼠短时记忆能力。

图片来源：Cell

研究团队通过上述实验已经证实，受到外来干扰时，未干扰的半脑处于高度选择性状态，几乎不受到被干扰侧半脑的影响；而干扰侧半脑呈现弱选择性状态，即处于强烈干扰状态。

这里就存在一个悖论：模块性较高，两个脑区间联系较弱的小鼠鲁棒性更高；而同时存在的是受到外来干扰的脑区需要增强和其他脑区的联系来恢复正常功能。研究团队提出假设并证实：存在一种状态依赖的门控调节方式（state-dependent gating）平衡二者之间的关系。

图片来源：Cell

最后，研究团队通过建立循环神经网络（Recurrent neural networks，RNNs）探究不同脑区间如何相互联系以构建更稳固（鲁棒性更高）的神经网络。

神经网络在经受外界干扰时保证 3 个条件即可呈现更高的鲁棒性：

1）modular initialization 不同脑区之间联系的模块化启动

2）modular training 模块化训练

3）nonlinearity 神经元的非线性

综上所述，该研究揭示大脑额叶皮质神经网络具有模块性，增强大脑鲁棒性从而有益于行为表现；并发现不同脑区间通过状态依赖的门控调节方式平衡大脑的模块化和误差纠正；短时记忆任务的人工神经网络也存在相同的模块化模式。

延伸阅读

人工智能由于神经科学新技术的发展正在产生海量的数据，大脑与人工智能算法的交互变得越来越重要。目前深度神经网络的一大问题是其对噪音的鲁棒性不够。

希蒙-厄尔曼文章所述，早期人工智能领域的科学家将生物神经系统作为参照对象，创造出了近年来盛行的「深度网络」脑启发架构，这是一个非常鲜明的「源流」案例，也一直为神经科学家和人工智能领域科学家所津津乐道。

脑与神经科学、认知科学的进展使得人们在脑区、神经微环路、神经元等不同尺度观测的各种认知任务中，获取脑组织的部分活动数据已成为可能，获知人脑信息处理过程不再仅凭猜测，通过多学科交叉和实验研究获得的人脑工作机制更具可靠性。因此，脑科学有望为机器学习、类脑计算的突破提供借鉴。

参考文献：

1. Chen G, Kang B, Lindsey J, et al. Modularity and robustness of frontal cortical networks[J]. Cell, 2021.

2. Simhal, A.K., Carpenter, K.L.H., Nadeem, S. et al. Measuring robustness of brain networks in autism spectrum disorder with Ricci curvature. Sci Rep 10, 10819 (2020). https://doi.org/10.1038/s41598-020-67474-9

3. 神经科学会成为人工智能「超进化」的关键吗，新华网

题图来源：站酷海洛 Plus