[논문 리뷰] On Path Integration of Grid Cells: Group Representation and Isotropic Scaling

Ruiqi Gao, Jianwen Xie외 3명|arXiv (Cornell University)|2020. 06. 17.

Neural dynamics and brain function인용 수 5

한 줄 요약

이 논문은 2차원 자기 위치를 고차원 신경 벡터 공간에 등각 매핑하기 위해 군 표현과 등방성 스케일링 조건을 사용하는 이론적이고 최적화 기반의 격자세포 경로 통합 모델을 제안한다. 모델은 선형 변환을 통해 회전의 행렬 리 군을 형성하며, 등방성 스케일링 조건을 만족함으로써 쥐의 뇌 데이터와 일치하는 정육각형 격자 패턴을 자연스럽게 생성하고, 학습된 다중 척도 격자 표현을 통해 정확한 장거리 경로 통합을 가능하게 한다.

ABSTRACT

Understanding how grid cells perform path integration calculations remains a fundamental problem. In this paper, we conduct theoretical analysis of a general representation model of path integration by grid cells, where the 2D self-position is encoded as a higher dimensional vector, and the 2D self-motion is represented by a general transformation of the vector. We identify two conditions on the transformation. One is a group representation condition that is necessary for path integration. The other is an isotropic scaling condition that ensures locally conformal embedding, so that the error in the vector representation translates conformally to the error in the 2D self-position. Then we investigate the simplest transformation, i.e., the linear transformation, uncover its explicit algebraic and geometric structure as matrix Lie group of rotation, and explore the connection between the isotropic scaling condition and a special class of hexagon grid patterns. Finally, with our optimization-based approach, we manage to learn hexagon grid patterns that share similar properties of the grid cells in the rodent brain. The learned model is capable of accurate long distance path integration. Code is available at https://github.com/ruiqigao/grid-cell-path.

연구 동기 및 목표

• 신경 벡터 표현을 사용한 격자세포가 경로 통합을 수행할 수 있는 이론적 조건를 이해하는 것.
• 2차원 자기 위치를 신경 공간에 등각 매핑하기 위해 필수적인 두 가지 수학적 조건인 군 표현과 등방성 스케일링을 규명하는 것.
• 선형 변환(행렬 리 군의 회전으로 구성됨)이 등방성 스케일링 조건 하에서 어떻게 정육각형 격자 패턴을 유도하는지 탐구하는 것.
• 간단한 손실 함수 최적화를 통해 초기 상태에서부터 다중 척도의 생물학적으로 타당한 정육각형 격자 패턴을 학습할 수 있음을 보여주는 것.
• 모델이 시뮬레이션된 2차원 환경에서 자가 운동 신호와 학습된 벡터 표현만으로 정확한 장거리 경로 통합을 수행할 수 있는지 검증하는 것.

제안 방법

• 자기 운동을 이 벡터의 변환으로 표현함으로써 2차원 자기 위치를 고차원 신경 공간의 벡터로 표현한다.
• 일致한 경로 통합을 위해 변환이 타당한 군 작용을 형성하도록 보장하기 위해 군 표현 조건을 도입한다.
• 국소적인 등각 매핑을 보장하여 신경 공간의 오차가 물리 공간의 오차와 비례하고 각도를 유지하도록 하기 위해 등방성 스케일링 조건을 적용한다.
• 선형 변환을 사용하여 비대칭 행렬 B(θ)로 매개변수화함으로써 회전의 행렬 리 군을 형성하고 신경 동역학을 모델링한다.
• 재구성 손실과 등방성 스케일링 제약 조건을 결합한 손실 함수를 적용하여 모델을 엔드 투 엔드로 훈련하고 격자 유사 활성 패tern을 학습한다.
• 블록 단위 또는 모듈러 아키텍처를 사용하여 다중 척도 격자 패턴 학습을 가능하게 하며, 블록 크기나 수에 대한 사전 편향을 부여하지 않는다.

실험 결과

연구 질문

• RQ1 신경 표현이 벡터 변환을 통해 정확한 경로 통합을 지원하기 위해 필요한 수학적 조건는 무엇인가?
• RQ2 등방성 스케일링은 격자세포에서 정육각형 격자 활성 패턴의 발생과 어떻게 관련이 있는가?
• RQ3 군 표현과 등방성 스케일링 조건을 갖춘 선형 변환 모델이 최적화를 통해 생물학적으로 타당한 격자 패턴을 학습할 수 있는가?
• RQ4 변환 행렬의 비대칭성 가정이 격자 패턴 형성에 필수적인가?
• RQ5 모델은 자가 운동 신호와 학습된 벡터 표현만으로 정확한 장거리 경로 통합을 달성할 수 있는가?

주요 결과

• 군 표현 조건은 일致한 경로 통합을 보장하며, 시간에 따라 변환이 정확히 조합될 수 있도록 한다.
• 등방성 스케일링 조건은 신경 벡터 공간의 국소적 왜곡이 물리 공간의 오차와 비례하고 각도를 유지하도록 하여 위치 오차의 방향적 편향을 최소화한다.
• 선형 변환으로 구성된 행렬 리 군의 회전이 등방성 스케일링 조건과 결합될 경우 자연스럽게 정육각형 격자 패턴이 유도된다.
• 모델은 블록 구성 방식에 관계없이 뚜렷하고 다중 척도의 정육각형 격자 패턴을 성공적으로 학습하였으며, 양성 활성화나 비대칭 행렬을 가정하지 않은 상태에서도 가능하다.
• 제거 실험 결과, 등방성 스케일링 제약 조건을 제거할 경우 스트립 형태의 비정육각형 패턴이 나타나며, 이는 격자 형성에 등방성 스케일링 조건이 필수적임을 입증한다.
• 모델은 높은 정확도를 달성하였으며, 평균 자세 추론 오차는 x₁ 방향 0.0225m, x₂ 방향 0.0230m, 헤딩 방향 1.37°이다.