arXiv cs.AI· Yuhang He, Junfeng Zuo, Tianhao Chu, Si Wu·· 1 天前AI 评分34
海马体循环网络通过动力学松弛实现最优目标导向导航
Planning as Dynamics Relaxation: Hippocampal Recurrent Network Realizes Optimal Goal-Directed Navigation
AI 导读
一个具有适当循环连接的海马体网络通过自身松弛动力学实现最优目标导向导航，其循环权重编码位置间转移概率，行为时间尺度突触可塑性（BTSP）在无目标探索中写入该连接。研究证明松弛后的活动场是线性可解马尔可夫决策过程的可取性场，即 Todorov 的 KL 正则化目标的精确最优解。迷宫仿真显示该网络产生接近最短的路径，并在召回幅度千倍变化、80% 位置细胞丢失及数万状态规模下依然成立。
正文 · AI 翻译
摘要：认知地图的神经相关物已有充分记载，然而神经回路如何将存储的地图转化为避障路线仍不清楚。本文表明，具有适当循环连接的海马网络通过自身的松弛动力学实现最优的目标导向导航。循环权重表示神经元所编码位置之间的转移概率，墙壁由消失的权重反映，行为时间尺度突触可塑性（BTSP）在无目标探索期间写入这种连接。当目标被回忆时，自上而下的电流钳制目标神经元，群体松弛为锁定目标的活动场。我们证明该场是线性可解马尔可夫决策过程的可取性场：松弛状态是所述控制问题的精确最优解，即 Todorov 的 KL 正则化目标，而最优下一步分布由分支突触电流承载。该恒等式可推广到有向转移，弱代价极限返回循环拉普拉斯算子的格林函数。位置调谐读出将场的对数梯度转换为行进方向，当源置于当前位置时，同一组突触可回答预测性查询。在具有复杂障碍的迷宫上的模拟显示出接近最短的路线，该恒等式在千倍范围的回忆幅度、80% 位置细胞的丢失以及数万个状态下依然成立，局部变化后每个计划的低秩更新，以及一种随时可用的瞬态：局部动作在场地收敛之前很久就已就绪。我们希望这为超越空间导航的抽象认知地图中的规划提供一种通用的回路原理。
| 评论： | 被 NeurIPS 2026 接收（Spotlight）。最终版。63 页，包括附录和检查清单 |
| 主题： | 神经元与认知（q-bio.NC）；人工智能（cs.AI） |
| 引用为： | arXiv:2609.13219 [q-bio.NC] |
| （或本版本的 arXiv:2609.13219v2 [q-bio.NC]） | |
| https://doi.org/10.48550/arXiv.2609.13219 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yuhang He [查看电子邮件]
[v1]
2026年8月30日星期日 16:48:52 UTC（959 KB）
[v2]
2026年11月12日星期四 01:05:56 UTC（567 KB）
来源：arXiv cs.AI · arxiv.org