在内部引导任务切换的神经网络模型中,子空间之间灵活的网关

科学领域:

• 计算神经科学是一种神经科学.
• 人工智能的人工智能
• 认知科学 认知科学

背景情况:

• 行为灵活性,即能够切换任务的能力,对于认知至关重要.
• 这种灵活性背后的神经机制,特别是推断规则,尚不清楚.
• 循环神经网络 (RNN) 提供了一个计算模型来探索这些机制.

研究的目的:

• 通过使用训练有素的RNN来研究使行为灵活性成为可能的神经电路机制.
• 在计算框架中建模任务规则推断和切换.
• 阐明特定神经元群体在灵活行为中的作用.

主要方法:

• 训练有素的RNNs进行威斯康星州卡片排序测试模拟.
• 分析了用于规则表示和传感器运动映射的网络模块.
• 剖析训练网络,包括激发性和抑制性神经元角色.
• 研究了沉默特定内神经元对网络动态和性能的影响.

主要成果:

• 通过持续活动,错误监测和封闭的传感动力映射,规则表示的出现.
• 跨不同训练超参数的一致电路机制.
• 在单独的人口活动子空间中,不同的规则具有不同的动态轨迹.
• 沉默表达索马托他的内部神经元导致表达子空间崩,性能降低.

结论:

• 一个特定的电路机制,涉及体静止素表达内部神经元,解释了灵活行为的表示子空间.
• RNNs为了解认知灵活性的神经电路机制提供了有价值的工具.
• 持续的活动和特定的内部神经元类型对于适应性任务切换和规则推断至关重要.