海馬ネットワークにおける誘導バイアスと学習された対称性の破れを通じた安定性とフローのバランス

科学分野:

• 神経科学
• 計算神経科学
• 機械学習

背景:

• 海馬は記憶とシーケンス処理に不可欠であるが、安定性とダイナミクスのバランスをとる神経メカニズムは依然として不明である。
• リプレイや進行波のような海馬回路がシーケンスダイナミクスを生成する方法を理解することは、記憶機能を解読する鍵である。

研究 の 目的:

• 安定した記憶表現と動的なシーケンス処理の両方を達成するために、再帰型ニューラルネットワークがどのように機能するかを調査すること。
• 海馬の計算におけるニューラルネットワークの力学における対称性の破れの役割を探求すること。

主な方法:

• 連続予測タスクにおける再帰型ニューラルネットワークの訓練。
• 訓練されたネットワークの力学体制と接続プロファイルの分析。
• 生物学的に妥当なスパイクタイミング依存可塑性（STDP）規則を通じた対称性の破れの出現の調査。

主要な成果:

• 予測タスクで訓練されたネットワークは、混合対称性の力学体制に収束した。
• この体制は、安定性のための優勢な対称性再帰と、指向性フローのためのより弱い反対称成分を特徴とした。
• 対称性の破れはSTDPから生じ、傾いたメキシカンハット接続プロファイルを作成した。
• CA3様の接続は、学習をこの有益な体制に偏らせ、効率とパフォーマンスを向上させた。

結論:

• ニューラルネットワークにおける部分的な対称性の破れは、記憶の安定性とシーケンスダイナミクスのバランスをとるための原理を提供する。
• 海馬の計算は、回路構造とタスク駆動型学習の間の相互作用から生じる可能性が高い。
• このフレームワークは、海馬における神経リプレイ、予測、および進行波に関する洞察を提供する。