神経計算の幾何学が作業記憶と計画を統合する パート 1
Oct 31, 2023
現実世界のタスクでは、作業記憶、意思決定、計画の調整が必要ですが、これらの認知機能は脳内の独立したモジュールプロセスとして不釣り合いに研究されてきました。 ここでは、将来の行動が今後のイベントにどのように依存するかのマッピングとして定義される偶発性表現が、作業記憶と計画計算を統合できることを提案します。
独立したモジュール化とは、タスクを独立した再利用可能なモジュールに分割することで、タスクの管理と実行をより効率的かつ便利にする管理および組織化の方法を指します。 記憶とは、情報を学習、記憶、使用する能力を指し、個人の成長と成功にとって非常に重要です。
独立したモジュール性とメモリは直接関係していないように見えるかもしれませんが、両者の間には密接な関係があります。 独立したモジュール化により、情報をより適切に整理および管理し、理解しやすく覚えやすいモジュールに分割することができます。 たとえば、コースを学習するとき、学習目的、重要な概念、演習などのさまざまなモジュールに分割できます。これにより、情報をよりよく理解して記憶できるだけでなく、知識をより効率的に学習して習得することもできます。
さらに、独立したモジュール化は、時間とリソースをより有効に活用するための時間をより適切に計画および調整するのにも役立ちます。 タスクを独立したモジュールに分割すると、各モジュールの時間とリソース要件をより正確に見積もり、必要に応じて優先順位を付けることができます。 これにより、時間をより適切に管理し、生産性を向上させ、個人および組織の目標をより適切に達成できるようになります。
要約すると、独立したモジュール性とメモリは互いに補完しており、この 2 つの関係は非常に密接です。 独立したモジュール性は、情報をより適切に整理して記憶するのに役立ち、個人および組織の生産性と結果を向上させることができます。また、記憶は情報をより適切に習得して適用するのに役立ち、それによって個人および組織の発展と成功を達成することができます。 したがって、個人および組織の目標をより良く達成するには、独立したモジュール化能力と記憶能力を積極的に育成および改善する必要があります。 記憶力を向上させる必要があることがわかります。 カンクサにはアセチルコリンや成長因子のレベルを高めるなど、神経伝達物質のバランスも調節できるため、記憶力を大幅に向上させることができます。 これらの物質は記憶と学習にとって非常に重要です。 さらに、肉は血流を改善し、酸素の供給を促進するため、脳に十分な栄養素とエネルギーが確実に供給され、脳の活力と持久力が向上します。
私たちは、表現の異なるタイプを明確にすることができるタスクを設計しました。 タスク最適化リカレントニューラルネットワークにおいて、偶発性表現の可能な回路メカニズムを調査し、これらの表現が作業記憶タスク中の前頭前野からの神経生理学的観察を説明できることを発見しました。
私たちの実験により、人間の行動は偶発性表現と一致しており、作業記憶の従来の感覚モデルと一致しないことが明らかになりました。 最後に、ニューラル データの偶発性表現を特定し、作業記憶のさまざまなモデルを分離するために、ニューラル データの反証可能な予測を生成しました。 私たちの発見は、作業記憶、計画、および状況依存の意思決定を統合できる神経表現戦略を特徴づけています。.
ワーキングメモリ|計算モデル|ニューラルネットワーク|表現幾何学。
時間とともに変化する環境では、柔軟な認知には、行動を適切に導くために、時間を超えて情報を保存し、組み合わせる能力が必要です。 一般的に使用される遅延タスクパラダイムでは、一時的な感覚刺激によって情報が提供され、エージェントは将来の応答を導くために、数秒間のニーモニック遅延の間、その情報を内部的に維持する必要があります(1-4)。
作業記憶は、後で使用するためにタスク関連情報を積極的に維持および操作するための中核となる認知機能です。 柔軟な行動を導くためには、作業記憶の内容が計画や状況に依存した意思決定などの他の認知機能と連携する必要があります。 しかし、神経科学の範囲では、これらの機能は主に独立して研究されており、脳が目標指向の行動のためにこれらのプロセスをどのように調整するかについては、依然として十分に理解されていません。
認知状態に関連する内部表現は、動物や人間の遅延タスク中の神経活動を記録することによって明らかにできます。 前頭前皮質のニューロンは、作業記憶タスクの記憶遅延中に内容選択的な活動パターンを示します(5、6)。 作業記憶中の選択的遅延活動は、感覚刺激の特徴を表すものとして最も一般的に解釈され、計算モデルに実装され、その後の反応を導くために処理することができます。
したがって、主要な概念的枠組みでは、提案された認知戦略は、基本的に感覚的な作業記憶表現を使用します (5, 6)。 作業記憶の感覚戦略は、行動、期待される刺激、ルールなどの多様なタスク変数とよりよく相関する前頭前野遅延活動の観察によって挑戦されてきました(2、3、7)。
さらに、増加している文献は、前頭前野における特徴の実質的な非線形混合選択性を特徴づけており、原理的には状況依存の行動をサポートすることができます(8-10)。これらの多様な観察は、作業記憶の計算上の役割を説明するには、より統一されたフレームワークが必要であることを示唆しています。計画、および状況に応じた意思決定。
計算モデリングは、作業記憶や意思決定などの認知機能をサポートする潜在的な神経回路機構を調べるために効果的に適用されています(11)。 作業記憶機能は一般に、前頭前皮質における混合選択性を考慮せず、作業記憶が感覚表現を維持していると仮定する、別個のモジュール回路でモデル化されます(11、12)。
相補的モデリング手法では、認知タスクを実行するように訓練された人工ニューラル ネットワーク モデルを利用します (13)。 手作業で設計されたモデルとは対照的に、タスク学習されたリカレント ニューラルネットワーク (RNN) モデルは、構造化された回路アーキテクチャや作業メモリ表現の形式についての仮定を必要とせずに、遅延タスクを実行できます (14)。
したがって、このアプローチは、ワーキングメモリ表現が柔軟な計算をサポートできる計算メカニズムを調べるのに非常に適しています(4、15-18)。
意義
観察された神経回路の状態を信念、行動、計画に結びつけることはシステム神経科学の中核目標ですが、そうすることは実験計画、分析、理論に大きな課題をもたらします。
特に遅延タスクの領域では、ニューラル集合体の表現論理が広く議論されています。 心房ごとに計算需要を独立して制御できる遅延タスクを使用して、今後予想される刺激に関する計画を反映する推定遅延表現を特定します。 偶発事象の表現により、さまざまな異なる遅延タスクに対する応答への効率的なマッピングが可能になります。
タスク最適化ニューラル ネットワークでは、偶発性表現が神経生理学的作業記憶文献から観察された現象にどのように関連しているかを調査します。 最後に、人間の行動が偶発性表現と一致していることを実証します。
この研究では、内部状態が知覚者の行動ではなく計画を表す認知戦略の意味を調査します。 具体的には、私たちの理論的枠組みは、将来の行動が今後のイベントにどのように依存するかに基づいて、偶発事態を定義します。 私たちは、作業記憶に関する感覚ベースの戦略や行動ベースの戦略から偶発性ベースの戦略を分離するために、条件付き遅延ロジック (CDL) というタスク パラダイムを設計しました。
CDL タスクで訓練された RNN モデルは、状態表現の偶発性の強化を開発し、それが人口活動パターンの幾何学的構造に反映されます。 モデルの内部表現は、作業記憶中に観察される神経活動のさまざまな現象を捕捉します。 私たちは CDL タスクにおける人間の行動をテストし、応答時間の行動における不測の事態に基づく戦略の重要な兆候を発見しました。
最後に、代替の計算スキームから偶発事象の表現を区別するために、神経活動の反証可能な予測を提供します。 まとめると、私たちの研究は、ワーキングメモリが時間的に拡張された認知と柔軟な行動の計画をどのようにサポートするかについての理論的枠組みを示しており、これは異種の行動観察と神経観察を説明し、実験的に検証可能です。
結果
CDL タスク。 一般的に使用される遅延タスクの多くでは、感覚刺激、応答、計算要求、または特定の認知タスク変数に対する神経活動の解離的な帰属を妨げるルールの間に相関関係があります (1, 19)。 したがって、我々は、1) 遅延によって分離された情報入力の計算、2) を含むタスクを求めました。 2) 頻繁に発生する正確な中間計算状態。 3) 一部の試行では遅延中に正しい応答が予測できるが、他の試行では予測できない試行。 4) 行動、感覚、規則、および計算状態情報の無相関化。
これらの要求を満たすために、遅延によって分離された 2 つのバイナリ刺激にバイナリ分類を適用する CDL タスクを設計しました (図 1A)。 遅延刺激と遅延後刺激をそれぞれ「cueA」と「cue B」と呼びます。 ルールはブール論理演算として定義でき、1 つのルールが各試行期間全体にわたって継続的に提示されます。
各トライアルで、エージェントにはタスク ルール、キュー A、およびキュー B が提示され、関連する応答を生成する必要があります。 たとえば、OR ルールでは、どちらかのキューが 1 に等しい場合、エージェントの応答は「1」になるはずです。 16 の可能な 2 ビットバイナリ分類から、応答がキューに依存するがキューの順序には依存しない 10 のルール (図 1B) に焦点を当てます。
最後の 10 のルールには、論理演算子 (N)OR、(N)AND、および X(N)OR、および (Anti-)Memory および (Anti-)Report が含まれます。 メモリでは、エージェントはそのトライアルのキュー A 刺激で応答する必要があり、レポートでは、エージェントはそのトライアルのキュー B 刺激で応答する必要があります。 どちらの場合も、「Anti-」は出力の反転を示します。 ルール、キュー A、およびキュー B は、トライアル全体でランダムに変更されます。
緊急事態の表現。 CDL タスクを実行するには、エージェントは遅延が発生してもタスク情報の表現を維持する必要があります。 エージェントは、すべての試行を解決するのに十分なキュー A の刺激同一性を維持すると期待するかもしれません。作業記憶のモデルで一般に想定されているこの「感覚戦略」では、タスクに関連する情報は遅延を越えて維持され、タスクをガイドします。キュー B およびルール (5、20) の情報と組み合わせた応答。
代替の「アクション戦略」は、遅延中に応答を事前に計画できるトライアル条件で可能です (2、21)。 さらに、エージェントは、遅延中に提示されるルール ID を表すこともあります (3)。これらの表現は排他的ではありません。
For more information:1950477648nn@gmail.com
