科学家揭秘大脑靠“旋转”区分过去和现在,还给了个AI架构设计新思路 | Nature子刊...

来源:量子位 

过去和现在的边界,到底在哪里?

人类,又是如何在时间混沌中区分出过往与当下的?

注意,这不是一个哲学问题。(手动狗头)

而是科学家们的最新研究。

两个普林斯顿的神经学家,用几何的方式回答了这一问题。

他们发现,人的大脑是通过“旋转”的方式,来区分新的感官信息和早期记忆。

旋转个90度,让过去和现在互不干扰。

具体是如何实现的?

大脑如何感受时间?

一直以来,我们理解周围环境、学习、行动和思考的能力,都有赖于感官和记忆之间连续、灵活的互动。

一方面,我们必须通过感官吸收周围世界的新信息。与此同时,还要保持对早期现象、事件的短期记忆。

而要实现这一点,就需要大脑识别出感官和记忆的区别。

但以往的经验表明,大脑并没有将短期记忆功能,完整划分到高级认知区域。

相反的,更多是划分到表征经验的感知区域、以及其他皮质中枢。

最近,两位神经学家发表在Nature Neuroscience的研究,就揭示了大脑是如何同时处理两者。

一句话来说就是,大脑“旋转”感官信息,将其编码为记忆。

两个“正交”表征,同时从神经活动中提取信息,互不干扰。

要发现这事儿,科学家们将目光瞄准了小鼠的听觉感知。

他们让小鼠反复听四个和弦序列,从而建立和弦之间的关联。

当小鼠听到一个初始和弦与另一个和弦时,能预测接下来会有什么声音

这时候,科学家们训练ML分类器来分析小鼠在聆听过程中听觉皮层上的神经活动。

随着时间的推移,他们发现,关联和弦的神经表征开始彼此相似。

不过也观察到,当遇到不熟悉的和弦序列时,小鼠会改变它对先前输入的表征。

这些神经元对过去刺激的编码进行反向改变,使之与动物对后来刺激的编码相匹配。

那么大脑又是如何对抗这些干扰,来保存正确的记忆呢?

研究人员训练了另一个分类器来识别和区分过程中的记忆表征。

比如,当一个意外的和弦唤起与一个更熟悉的序列之间的比较时, 神经元的激活方式。

结果,分类器的确看到了完整的神经活动模式,并非直接去“修正”。

那些记忆编码看起来与感官表征有很大不同,他们是通过“正交”维度组织起来的。

研究者表示,这一过程就像是在纸上写笔记。

写着写着发现没有空间里,就要把纸张旋转90度,在另一侧页边空白处写字。

大概就像这样。

这基本上就是大脑正在做的事情。

它得到了第一个感觉输入,将它写在纸上然后旋转个90度。这样就可以写进新的感觉输入,而不会受到干扰和覆盖。

此外,他们排除了由不同的神经元独立处理感官和记忆表征的可能性。

他们发现,神经元的活动可以整齐地分为两类。

一类是负责感觉和记忆表征的“稳定”神经元,一类是活动时翻转其反应模式的“转换”神经元

感觉信息转化为记忆的过程中,”稳定 “神经元和 “切换 “神经元的组合促进了感觉信息的转化,前者随着时间的推移保持其选择性,后者随着时间的推移颠倒其选择性。

这些神经反应共同旋转了群体表征,将感觉输入转化为记忆。

事实证明,这样的方式需要的神经元和能量会更少。

这一研究来自普林斯顿大学的神经科学家Timothy Buschman 和他实验室的研究生 Alexandra Libby。

△Timothy Buschman

Libby表示,这一研究有助于会给神经网络架构提供新的设计思路,尤其是多任务处理的那种。

参考链接:
[1]https://www.quantamagazine.org/the-brain-rotates-memories-to-save-them-from-new-sensations-20210415/
[2]https://pni.princeton.edu/faculty/timothy-buschman
[3]https://www.nature.com/articles/s41593-021-00821-9

未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城市)云脑研究计划,构建互联网(城市)云脑技术和企业图谱,为提升企业,行业与城市的智能水平服务。

  如果您对实验室的研究感兴趣,欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/484389.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Hanlp中自定义词典的配置、引用以及问题解决

文章目录如何阅读本文?Hanlp用户自定义词典引用简介操作步骤环境创建编辑词典文件将用户自定义词典路径加入配置文件删除缓存文件如何阅读本文? 首先我们对Hanlp用户词典进行简介,推荐首先阅读链接文章,它是本文的第一来源&#…

有监督学习

有监督学习 利用一组带有标签的数据,学习从输入到输出的映射,然后将这种映射关系应用到未知数据上,达到分类或回归的目的。 分类:当输出为离散的,学习任务为分类任务。回归:当输出为连续的,学习…

深度学习助力网络科学:基于深度学习的社区发现最新综述

来源:AMiner科技论文题目:A Comprehensive Survey on Community Detection with Deep Learning论文网址:https://arxiv.org/pdf/2105.12584.pdf近日,澳大利亚麦考瑞大学计算机学院人工智能与数据科学实验室联合中科院数学与系统科…

Neo4j 图创建1 以BiliBili粉丝UP主之间的关系为例

基本关系图如下,不给出细节 其中所有粉丝名为杜撰,如有雷同纯属巧合 UP主对应关系为方便建库进行了主观处理,不代表真实情况 无商业用途,学习使用

CentOS7开放端口号

查看所有开放的端口号 firewall-cmd --zonepublic --list-ports 或者 firewall-cmd --permanent --list-ports(--permanent表示永久生效) 查询指定端口号是否开发 firewall-cmd --permanent --query-port8080/tcp 删除一个已经开放的端口号 firewall-cm…

Hinton,Lecun和Bengio三巨头联手再发万字长文:深度学习的昨天、今天和明天

来源:ACM编辑:Priscilla Emil2018年,ACM(国际计算机学会)决定将计算机领域的最高奖项图灵奖颁给Yoshua Bengio、Yann LeCun 和 Geoffrey Hinton,以表彰他们在计算机深度学习领域的贡献。这也是图灵奖第三次…

LR为什么用极大似然估计,损失函数为什么是log损失函数(交叉熵)

首先,逻辑回归是一个概率模型,不管x取什么值,最后模型的输出也是固定在(0,1)之间,这样就可以代表x取某个值时y是1的概率 这里边的参数就是θ,我们估计参数的时候常用的就是极大似然估计&#xf…

LSTM之父撰文,纪念这位图灵奖遗珠、“AI理论之父”

原文:1931: Kurt Gdel, founder of theoretical computer science, shows limits of math, logic, computing, and artificial intelligence作者:Jrgen Schmidhuber (知名 AI 学者,LSTM 之父)译者:刘媛媛摘…

Maven简述以及配置使用

目前的技术存在的问题(引入Maven的重要性) 一个项目就是一个工程; 如果项目非常庞大,就不再适合使用package来划分模块;最好是每一个模块对应一个工程,利于分工协作; 借助于Maven可以将一个项目…

依图科技终止上市审核:冲击科创板「AI第一股」失败

来源:机器之心AI 创业公司在国内市场 IPO 真就这么困难?7 月 2 日晚上交所消息,决定终止对依图科技首次公开发行存托凭证并在科创板上市的审核。依图的上市申请是于 2020 年 11 月 4 日被上交所依法受理的,其股票预计采用 CDR&…

神经网络-前向传播

前向传播神经网络搭建 1.tensorflow库搭建神经网络 参数:线上的权重W,用变量表示,随机给初值。相关介绍 tf.truncated_normal():去掉过大偏离点的正太分布tf.random_normal()正太分布tf.random_uniform():平均分布tf.zeros:全零数组&#x…

对汉诺塔递归算法的理解(图解,附完整代码实现)

前情提要: 首先说一下汉诺塔游戏的规则:如下图所示,有三个柱子A,B,C,我们要做的是把A柱的所有圆盘,全部转移到C柱上,转移时遵循的规则如下: 1、每次只能移动一个圆盘 2、所有的大圆盘必须在小圆盘的下面 过…

再会迪杰斯特拉(Dijkstra)

迪杰斯特拉算法 算法说明 迪杰斯特拉算法用来求解某一个起点到以其他所有点为终点的最短路径长度; 算法思路-贪心算法 以下图为例 指定一个节点(即起点),例如计算“A”到其他节点的最短路径;引入两个集合(S,U&…

数字孪生等前沿技术,将如何解码未来交通?

来源:物联网智库目前,国内在交通领域的技术创新层出不穷,交通出行领域已经成为创新科技聚集和爆发的领域。众多新科技的出现,正在给我们描绘出一幅未来交通的蓝图。在面向未来的诸多关于智慧交通的前沿应用和解决方案中&#xff0…

神经网络-反向传播

反向传播 反向传播---->训练参数,在所有参数上使用梯度下降。使NN模型在训练数据上的损失函数最小。损失函数(loss):预测值(y)与已知答案(y_)的差距。均方误差MSE:, …

第七章 二叉搜索树(b3)BST:删除

转载于:https://www.cnblogs.com/ZHONGZHENHUA/p/10247191.html

2021天梯赛题解

2021程序设计天梯赛在4月24日举办,本文是天梯赛的部分题解,有的问题在当时也没有得到满分,由于学校开启了天梯赛的重现比赛,再写一写。 注意:本文答案不是标准答案,每道题收获的分数写在了相应位置&#x…

python-scrapy爬虫框架

scrapy爬虫框架 1.Scrapy爬虫框架 scrapy 不是一个函数功能库,而是一个爬虫框架。scrapy爬虫框架: 爬虫框架是实现爬虫功能的一个软件结构和功能组件集合。.简单说爬虫框架是一个半成品,能够帮助用户实现专业网络爬虫。scrapy爬虫框架共包含…

如何正确地运用人工智能模型?

来源:内容摘自《模型思维:简化世界的人工智能模型(全彩)》模型,是客观事物的简化表示!历史上,每一个伟大模型的提出,都极大地推动了科学和社会的发展,比如历史上出现的3个…