[논문 리뷰] Triangular lattice neurons may implement an advanced numeral system to precisely encode rat position over large ranges

Yoram Burak, Ted Brookings외 1명|ArXiv.org|2006. 06. 04.

Neural Networks and Applications참고 문헌 3인용 수 8

한 줄 요약

이 논문은 쥐의 도르살라테럴 메디알 엔토르히날 코르티컬(dMEC)에 있는 격자 세포가 연속적인 2차원 위치를 다수의 삼각형 격자에서 주기적인 위상으로 분해함으로써 공간 위치를 잔여수체계(RNS)로 인코딩한다고 제안한다. 이 RNS 유사 인코딩 방식은 소수의 뉴런으로 큰 공간 범위를 고해상도, 압축형, 산술 연산에 유리하게 표현할 수 있으며, 노이즈 및 손상에 대해 고유한 강건성을 보인다.

ABSTRACT

We argue by observation of the neural data that neurons in area dMEC of rats, which fire whenever the rat is on any vertex of a regular triangular lattice that tiles 2-d space, may be using an advanced numeral system to reversibly encode rat position. We interpret measured dMEC properties within the framework of a residue number system (RNS), and describe how RNS encoding -- which breaks the non-periodic variable of rat position into a set of narrowly distributed periodic variables -- allows a small set of cells to compactly represent and efficiently update rat position with high resolution over a large range. We show that the uniquely useful properties of RNS encoding still hold when the encoded and encoding quantities are relaxed to be real numbers with built-in uncertainties, and provide a numerical and functional estimate of the range and resolution of rat positions that can be uniquely encoded in dMEC. The use of a compact, `arithmetic-friendly' numeral system to encode a metric variable, as we propose is happening in dMEC, is qualitatively different from all previously identified examples of coding in the brain. We discuss the numerous neurobiological implications and predictions of our hypothesis.

연구 동기 및 목표

• 제한된 격자 주기로 큰 공간 범위를 표현할 수 있는 dMEC 격자 세포의 메커니즘을 이해한다.
• 좁은 주기 범위(30–70 cm)로도 행동적으로 관련 있는 거리까지 위치를 인코딩할 수 있는 이유를 설명한다.
• dMEC 뉴런의 분산된 주기적 발화 패턴이 압축형이고 산술 연산에 유리한 인코딩 체계를 형성하는지 조사한다.
• 전통적인 신경 인코딩 체계에 비해 잔여수체계(RNS)를 사용할 경우 공간 표현에 어떤 기능적 이점이 있는지 탐구한다.
• RNS 기반 인코딩의 신경생물학적 함의를 예측한다. 특히 손상에 대한 내성과 지표물 인식에서의 역할을 포함한다.

제안 방법

• 각 격자 주기와 모듈러스를, 각 위상과 잔여수를 대응시켜 dMEC 격자 세포 활동을 잔여수체계(RNS)로 모델링한다.
• 중국인의 나눗셈 정리(CRT)를 적용하여 다수의 모듈러스 잔여수로부터 고유한 위치 재구성이 가능하다는 것을 보여준다.
• 실수값의 모듈러스와 잔여수로 RNS 프레임워크를 완화하여 노이즈 하에서의 강건성을 입증한다.
• 다양한 격자에서 병렬적이고 캐리가 없는 산술 연산을 통해 위치 인코딩과 업데이트를 시뮬레이션한다.
• 실험 데이터에서 유도된 RNS 파rameter를 사용하여 유일하게 인코딩 가능한 최대 공간 범위와 해상도를 추정한다.
• hippocampal 장소 세포가 다수의 dMEC 격자에서의 입력을 통합함으로써 위치를 복원할 수 있으며, 이는 RNS 재구성과 일치한다.

실험 결과

연구 질문

• RQ1 dMEC 격자 세포의 관측된 발화 패턴을 공간 인코딩을 위한 잔여수체계(RNS)로 해석할 수 있는가?
• RQ2 RNS 프레임워크는 소수의 뉴런으로 어떻게 높은 해상도로 큰 공간 범위를 표현할 수 있는가?
• RQ3 신경 시스템에서 RNS 기반 인코딩은 희소성 또는 비례 레이트 인코딩에 비해 어떤 기능적 이점이 있는가?
• RQ4 모듈러스가 실수값이며 노이즈의 영향을 받을 경우, 시스템은 정확성과 고유성을 유지할 수 있는가?
• RQ5 RNS 인코딩의 신경생물학적 예측, 예를 들어 손상 효과나 지표물 특이적 위상 패턴은 무엇인가?

주요 결과

• dMEC 격자 세포 시스템은 주기 30 cm에서 70 cm 사이의 몇 개의 격자만으로도 약 ~100 m까지의 큰 공간 범위를 RNS의 조합적 능력 덕분에 표현할 수 있다.
• RNS 프레임워크는 병렬적이고 캐리가 없는 산술 연산(예: 위상 이동을 통한 위치 업데이트)을 허용하여 효율적인 경로 통합을 가능하게 한다.
• 실수값의 모듈러스와 측정 불확실성 하에서도 RNS 인코딩은 약 100 m 범위 내에서 1m 이내의 해상도로 고유하게 재구성 가능하다.
• 부분적인 손상에 강건하다: 다수의 모듈러스가 손상되지 않는 한 점진적인 열화만 발생하며, 계층적 시스템과 달리 단일 손상으로 인해 특정 스케일의 기능 장애가 발생하지 않는다.
• RNS 모델은 히포크암프스 장소 세포가 큰 공간에서 희소적이고 단일 피크를 가지는 필드를 사용하지 않는 이유를 설명한다. 이는 효율적이지 않기 때문이다. 대신 다수의 dMEC 격자에서의 입력을 통합할 수 있다.
• 모델은 익숙한 지표물에서 절대적인 dMEC 위상 패턴이 새로운 경로를 따라도 반복적으로 재현될 것임을 예측한다. 이는 지표물 인식에서의 역할을 뒷받침한다.