arXiv cs.AI· Kehan Lu, Tianhao Chu, Aiersi Tuerhong, Yiwen Sun, Huan Luo, Fang Fang, Si Wu·· 11 小时前AI 评分31
自适应 RNN 在灵活工作记忆任务中自发涌现振荡相位编码
Oscillatory Phase Coding Emerges in Adaptive RNNs for Flexible Working Memory
AI 导读
研究训练带自适应动力学的 RNN 执行可变延迟的序列工作记忆任务，发现振荡相位编码（OPC）自发涌现：记忆项在共享节律的不同相位重现，振幅编码项目身份、相位编码序列顺序。消融实验表明神经动力学自适应、可变延迟与灵活读出是 OPC 的三个必要条件，网络中分别涌现出处理身份与顺序的内容细胞和时间细胞。研究据此提出由内容单元与自适应时间环交互构成的神经回路模型来复现 OPC。
正文 · AI 翻译
摘要：振荡相位编码（OPC）在神经系统中被广泛观察到，并被认为与记忆和序列处理等认知功能有关。然而，其计算作用和神经基础在很大程度上仍不清楚。在此，我们通过训练带有适应机制的循环神经网络（RNN）来执行具有可变延迟的序列工作记忆任务，从而研究 OPC。训练后，我们发现 OPC 在 RNN 中自发出现：被记忆的项目在共享节律的不同相位上重现，振荡幅度编码项目身份，相位编码序列顺序。消融研究确定了 OPC 所需的三个关键要素：神经动力学中的适应、记忆保持中的可变延迟，以及信息读取的灵活性。神经元类型分析揭示了训练后的 RNN 中出现了内容细胞和时间细胞，它们分别处理项目身份和序列顺序。循环连接分析揭示了时间细胞之间相位组织的连接，以及数字选择性内容细胞组内的结构化连接。受这些发现的启发，我们提出了一个神经回路模型，该模型通过内容单元与自适应时间环之间的相互作用再现 OPC。总之，这项研究揭示了 OPC 如何从网络结构和任务需求中产生，为 OPC 在生物系统中的实现和计算机制提供了见解，并启发我们开发用于类人认知功能的计算模型。
| 评论： | 37 页，16 幅图 |
| 主题： | 神经元与认知（q-bio.NC）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.06932 [q-bio.NC] |
| （或 arXiv:2611.06932v1 [q-bio.NC] 为此版本） | |
| https://doi.org/10.48550/arXiv.2611.06932 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Kehan Lu [查看电子邮件]
[v1]
2026 年 9 月 28 日星期一 07:31:05 UTC（1,624 KB）
来源：arXiv cs.AI · arxiv.org