[논문 리뷰] On Path Integration of Grid Cells: Isotropic Metric, Conformal Embedding and Group Representation

Ruiqi Gao, Jianwen Xie외 3명|arXiv (Cornell University)|2020. 06. 18.

Neural dynamics and brain function인용 수 2

한 줄 요약

이 논문은 격자 세포를 사용하는 벡터 기반 경로 통합 모델을 제안하며, 자가운동은 반복 네트워크를 통한 신경 활동 벡터의 변환으로 표현된다. 네트워크의 방향 도수에 대한 등방성 조건이 자가운동의 등각 임bedding을 가능하게 하며, 선형 원형 모델은 리 군 표현과 정육각형 격자 패턴을 도출하여 거의 정확한 경로 통합을 지원한다.

ABSTRACT

The purpose of this paper is to understand how the grid cells may perform path integration calculations. We study a general representational model of path integration in which the self-position is represented by a vector formed by the activities of a population of grid cells, and the self-motion is represented by the change of this vector which is transformed by a general recurrent network for path integration. For local infinitesimal self-motion, the change of the vector is determined by the directional derivative of the recurrent network, and the norm of the directional derivative captures the metric of the path integration model. We identify an isotropic condition on the norm of the directional derivative of the recurrent network, so that the local change of this vector is a conformal embedding of the local self-motion. We then study a minimally simple prototype model where the local change is a linear transformation of the vector. This linear model gives rise to explicit algebraic structure in terms of matrix Lie group representation of 2D self-motion, as well as explicit geometric structure where the self-motion is represented by the rotation of the vector. We connect the isotropic condition under the linear model to the hexagon grid patterns of the response maps of grid cells. Our numerical experiments demonstrate that our model learns hexagon grid patterns which share various observed properties of the grid cells in the rodent brain. Furthermore, the learned model is capable of near exact path integration.

연구 동기 및 목표

• 신경 집단 벡터의 일반적 표현 모델을 통해 격자 세포가 어떻게 경로 통합을 수행하는지 이해하기.
• 신경 표현이 물리적 운동의 등각 임베딩이 되는 조건을 규명하기.
• 2차원 자가운동의 기하학적 및 대수적 구조와 신경 동역학을 연결하는 최소한의 단순 선형 모델 개발하기.
• 모델의 등방성 조건이 랫트 뇌에서 관찰된 정육각형 격자 활성 패턴의 발생과 어떻게 연결되는지 밝히기.
• 학습된 모델이 거의 정확한 경로 통합 성능를 달성하는지 입증하기.

제안 방법

• 자기 위치를 격자 세포 활동의 벡터로 표현하고, 자가운동을 반복 네트워크를 통해 이 벡터의 변화로 표현한다.
• 지역 무한소 자가운동을 반복 네트워크의 방향 도수로 모델링하며, 이 노름이 경로 통합의 계량을 정의한다.
• 신경 표현 공간에서 자가운동의 등각 임베딩을 보장하기 위해 방향 도수의 노름에 등방성 조건을 도입한다.
• 벡터 변환이 행렬 선형 연산인 선형 원형 모델을 제안하여 2차원 자가운동의 명시적 리 군 표현을 가능하게 한다.
• 기하 분석을 통해 선형 모델이 벡터 회전과 관련되어 있음을 보이며, 신경 동역학과 회전 대칭성 간의 연결 고리를 형성한다.
• 수치 실험을 수행하여 모델을 학습하고 정육각형 격자 패턴 생성 능력 및 경로 통합 성능를 평가한다.

실험 결과

연구 질문

• RQ1 방향 도수의 노름에서의 등방성 조건을 통해 신경 집단 벡터 모델이 자가운동을 어떻게 등각 임베딩할 수 있는가?
• RQ2 경로 통합 네트워크를 선형화했을 때 신경 표현에 어떤 대수적 구조가 나타나는가?
• RQ3 선형 모델에서의 등방성 조건이 정육각형 격자 활성 패턴 형성과 어떻게 관련되는가?
• RQ4 제안된 모델이 랫트 격자 세포의 관찰된 특성을 재현하는 격자 패턴을 학습할 수 있는가?
• RQ5 모델이 시뮬레이션에서 거의 정확한 경로 통합을 어느 정도 수행할 수 있는가?

주요 결과

• 방향 도수의 노름에 대한 등방성 조건은 자가운동의 신경 표현이 물리적 운동의 등각 임베딩임을 보장한다.
• 선형 원형 모델은 2차원 자가운동의 행렬 리 군 표현을 도출하며, 신경 동역학과 연속적인 회전 대칭성 간의 연결 고리를 형성한다.
• 모델은 격자 세포의 반응 맵에서 정육각형 격자 패턴을 생성하며, 랫트 뇌의 실험 관찰과 일치한다.
• 학습된 격자 패턴은 생물학적 격자 세포에서 관찰되는 바와 같이 공간 주기성과 정육각형 대칭성 등의 핵심 특성을 보인다.
• 수치 실험을 통해 모델이 장거리 궤적에서 거의 정확한 경로 통합 성능를 달성함을 확인하였다.
• 선형 모델에서의 벡터 회전 기하학적 구조는 신경 동역학과 격자 세포 활성의 정육각형 대칭성 간의 직접적 연결 고리를 제공한다.