[논문 리뷰] Attractor and integrator networks in the brain

Mikail Khona, Ila Fiete|arXiv (Cornell University)|2021. 12. 07.

Neural dynamics and brain function인용 수 10

한 줄 요약

이 리뷰는 뇌가 작업 기억, 오류 수정, 노이즈가 있는 입력의 통합을 위해 지속적인 활동을 유지하는 데 액트로프터 및 인티그레이터 신경망을 사용한다는 증거를 종합한다. 이는 저차원 연속 액트로프터 역학이 이론적으로 타당할 뿐 아니라 특정 뇌 시스템에서 엄격하게 규명되어 있음을 보여주며, 신경 회로의 모듈화된 재사용을 통해 강건하고 고용량이며 융통성 있는 계산이 가능하다.

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.

연구 동기 및 목표

• 뇌에서 액트로프터 및 인티그레이터 네트워크가 지속적인 신경 활동을 어떻게 지원하는지 현재의 이해를 종합하는 것.
• 간단하고 잊기 쉬운 뉴런이 어떻게 장시간 스케일의 역학을 생성할 수 있는지에 대한 메커니즘을 설명하는 것.
• 실험적이고 이론적으로 엄격한 방법으로 특정 뇌 시스템에서 연속 액트로프터 역학을 식별하고 검증하는 것.
• 액트로프터의 모듈화된 재사용이 신경 계산에서 강건성, 용량, 융통성의 균형을 어떻게 달성하는지 탐색하는 것.
• 신경망의 구조, 강건성, 적응 가능성 사이의 기본적인 상충관계를 해결하는 데 기여하는 최근의 이론적 진전을 부각하는 것.

제안 방법

• 지속적인 활동을 생성하는 데 있어 생물학적으로 타당한 액트로프터 신경망 이론 모델을 검토하는 것.
• 뇌 시스템(예: 히프로크로스, 전두엽 피질 등)의 실험 데이터를 분석하여 연속 액트로프터 역학을 규명하는 것.
• 저차원 다양체를 특성화하여 지속적인 표현을 지원하는 신경 활동의 다양체를 동역학계 이론을 적용해 분석하는 것.
• 수학적 프레임워크를 사용하여 액트로프터 네트워크의 강건성과 용량 사이의 상충관계를 모델링하는 것.
• 공유된 액트로프터 회로를 다양한 인지 기능에 재사용할 수 있는 모듈화된 아키텍처를 제안하는 것.
• 컴퓨터 신경과학과 시스템 생물학의 통찰을 통합하여 신경 계산의 원리를 통합하는 것.

실험 결과

연구 질문

• RQ1 뇌의 액트로프터 네트워크는 작업 기억에 필수적인 지속적인 활동 상태를 어떻게 유지하는가?
• RQ2 간단하고 단기적인 뉴런이 어떻게 함께 작용하여 장시간 스케일의 역학을 생성할 수 있는가?
• RQ3 어느 뇌 영역에서 연속 액트로프터 역학이 경험적으로나 이론적으로 엄격하게 규명되었는가?
• RQ4 액트로프터 네트워크는 어떻게 강건성과 높은 계산 용량, 기능적 융통성을 균형 잡는가?
• RQ5 동일한 액트로프터 모듈을 여러 인지 작업에 재사용할 수 있게 해주는 이론적 원리는 무엇인가?

주요 결과

• 특정 뇌 시스템, 예를 들어 내측 히프로크로스 및 전두엽 피질에서 연속 액트로프터 역학이 명확히 규명되어 있어 신경 계산에서의 역할에 대한 강력한 증거를 제공한다.
• 액트로프터 네트워크는 낮은 차원의 다양체 위에서 신경 활동을 안정화시켜 노이즈가 있는 감각 입력을 오류 수정하고 통합하는 데 기여한다.
• 이론적 모델은 액트로프터 네트워크가 모듈화된 설계를 통해 노이즈와 교란에 강건하면서도 높은 용량을 달성할 수 있음을 보여준다.
• 동일한 액트로프터 회로 집합을 다양한 작업에 재사용함으로써 기능적 융통성에 손상을 주지 않으면서도 구조적 제약과 계산 효율성을 확보할 수 있다.
• 뇌는 다양한 인지 기능을 지원하기 위해 공통된 액트로프터 역학을 사용할 가능성이 높으며, 이는 기본적인 계산 원리임을 시사한다.
• 최근의 진전은 모듈화된 액트로프터 네트워크를 재구성하여 여러 표현을 지원함으로써 강건성, 용량, 적응 가능성 사이의 핵심 상충관계를 해결한다.