[論文レビュー] Attractor and integrator networks in the brain

Mikail Khona, Ila Fiete|arXiv (Cornell University)|Dec 7, 2021

Neural dynamics and brain function被引用数 10

ひとこと要約

このレビューは、脳が作業記憶、誤り補正、ノイズの多い入力の統合のための持続的活動を維持するためにアトラクタおよびインテグレータ神経ネットワークを用いるという証拠を統合する。低次元の連続的アトラクタダイナミクスが理論的に妥当であるだけでなく、特定の脳システムで厳密に同定されており、神経回路のモジュラー再利用を通じて、頑健で高容量かつ柔軟な計算を可能にしていることが示されている。

ABSTRACT

In this review, we describe the singular success of attractor neural network models in describing how the brain maintains persistent activity states for working memory, error-corrects, and integrates noisy cues. We consider the mechanisms by which simple and forgetful units can organize to collectively generate dynamics on the long time-scales required for such computations. We discuss the myriad potential uses of attractor dynamics for computation in the brain, and showcase notable examples of brain systems in which inherently low-dimensional continuous attractor dynamics have been concretely and rigorously identified. Thus, it is now possible to conclusively state that the brain constructs and uses such systems for computation. Finally, we look ahead by highlighting recent theoretical advances in understanding how the fundamental tradeoffs between robustness and capacity and between structure and flexibility can be overcome by reusing and recombining the same set of modular attractors for multiple functions, so they together produce representations that are structurally constrained and robust but exhibit high capacity and are flexible.

研究の動機と目的

• アトラクタおよびインテグレータネットワークが脳における持続的神経活動をどのように支えるかという現在の理解を統合すること。
• 単純で忘却的なニューロンがどのように長時間スケールのダイナミクスを共同で生み出すかのメカニズムを説明すること。
• 実験的および理論的厳密性をもって、特定の脳システムにおける連続的アトラクタダイナミクスの同定と検証を行うこと。
• アトラクタのモジュラー再利用が神経計算における頑健性、容量、および柔軟性のバランスをどのように実現するかを明らかにすること。
• 構造的頑健性と適応可能性の間の根本的トレードオフを克服するための最近の理論的進展を強調すること。

提案手法

• アトラクタ神経ネットワークの理論的モデルをレビューし、持続的活動を生成する上で生物学的に妥当であるかを検討すること。
• 脳システム（例：内嗅皮質、前頭前野）からの実験データを分析して、連続的アトラクタダイナミクスを同定すること。
• 力学系理論を用いて、持続的表現を支える低次元多様体としての神経活動の特徴を定量化すること。
• 数学的フレームワークを用いて、アトラクタネットワークにおける頑健性と容量のトレードオフをモデル化すること。
• 共有されたアトラクタ回路が複数の認知機能に再利用されるモジュラー・アーキテクチャを提唱すること。
• 計算神経科学とシステム生物学の知見を統合し、神経計算の原則を統一的に理解すること。

実験結果

リサーチクエスチョン

• RQ1 脳内のアトラクタネットワークは、作業記憶に不可欠な持続的活動状態をどのように維持するか？
• RQ2 単純で短期的なニューロンがどのようにして長時間スケールのダイナミクスを共同で生み出すのか？
• RQ3 どの脳領域で連続的アトラクタダイナミクスが実験的にかつ厳密に同定されたか？
• RQ4 アトラクタネットワークはどのようにして頑健性と高容量な計算能力、および機能的柔軟性のバランスを保っているか？
• RQ5 同じアトラクタモジュールを複数の認知的タスクに再利用可能にする理論的原則は何か？

主な発見

• 連続的アトラクタダイナミクスは、内側内嗅皮質や前頭前野など特定の脳システムで明確に同定されており、神経計算におけるその役割を強く裏付けている。
• アトラクタネットワークは、低次元多様体上での神経活動の安定化により、誤り補正やノイズの多い感覚入力の統合を可能にする。
• 理論的モデルは、モジュラー設計によってノイズや摂動に対して頑健でありながらも高容量を達成できることを示している。
• 同じアトラクタ回路を複数のタスクに再利用することで、構造的制約と計算効率を保ちながらも、機能的柔軟性を損なわずに済ませられる。
• 脳は多様な認知機能を支えるために共通のアトラクタダイナミクスを用いる可能性が高く、これは根本的な計算原理を示唆している。
• 最近の進展により、モジュラー・アトラクタネットワークを再構成することで、頑健性、容量、適応可能性の間の主要なトレードオフが克服された。