[논문 리뷰] Cognitive computation using neural representations of time and space in the Laplace domain

Marc W. Howard, Michael E. Hasselmo|arXiv (Cornell University)|2020. 03. 25.

Cognitive and developmental aspects of mathematical skills참고 문헌 103인용 수 10

한 줄 요약

이 논문은 뇌가 라플라스 도메인에서 함수를 표현하기 위해 신경군을 사용하며, 이는 데이터에 의존하지 않는 효율적인 인지적 계산을 가능하게 한다. 시간적 및 공간적 함수를 라플라스 변환으로 표현하고, 도함수 기반 연산을 통해 역변환함으로써, 이 모델은 시간 세포와 허브리드 코르티시스 세포가 기억 및 탐색을 어떻게 지원하는지 설명한다. 핵심적으로 신경생리학적 데이터와 계산 모델링이 이를 뒷받침한다.

ABSTRACT

Memory for the past makes use of a record of what happened when---a function over past time. Time cells in the hippocampus and temporal context cells in the entorhinal cortex both code for events as a function of past time, but with very different receptive fields. Time cells in the hippocampus can be understood as a compressed estimate of events as a function of the past. Temporal context cells in the entorhinal cortex can be understood as the Laplace transform of that function, respectively. Other functional cell types in the hippocampus and related regions, including border cells, place cells, trajectory coding, splitter cells, can be understood as coding for functions over space or past movements or their Laplace transforms. More abstract quantities, like distance in an abstract conceptual space or numerosity could also be mapped onto populations of neurons coding for the Laplace transform of functions over those variables. Quantitative cognitive models of memory and evidence accumulation can also be specified in this framework allowing constraints from both behavior and neurophysiology. More generally, the computational power of the Laplace domain could be important for efficiently implementing data-independent operators, which could serve as a basis for neural models of a very broad range of cognitive computations.

연구 동기 및 목표

• 뇌가 시간과 공간에 걸쳐 함수의 신경 표현을 사용하여 데이터에 의존하지 않는 인지적 연산을 수행하는 방식을 설명하는 것.
• 히포크암프스의 시간 세포가 과거 시간의 압축된 함수를 추정한다고 제안하며, 허브리드 코르티시스의 시간적 맥락 세포가 그 함수의 라플라스 변환을 추정한다고 제안하는 것.
• 라플라스 도메인 프레임워크를 공간, 운동학적 변수 및 의사결정 변수로 확장하여 다양한 인지적 계산을 위한 통합된 신경 기제를 제안하는 것.
• 변환/역변환 쌍을 사용하여 기호 유사 연산(예: 이동, 뺄셈)을 신경 회로에서 어떻게 구현할 수 있는지 생물학적으로 타당한 기제를 제공하는 것.
• 행동적, 신경생리학적, 계산적 제약 조건을 하나의 프레임워크로 통합하여 인지 모델링을 위한 기반을 마련하는 것.

제안 방법

• 시간 또는 공간의 함수를 뉴런 군의 활동으로 표현하며, 활동률이 함수 f(τ)의 라플라스 변환 F(s)에 해당하도록 한다.
• s로 색인된 뉴런 군을 사용하여 F(s)를 추정하며, 여기서 s는 시간 상수 1/s에 해당하여 과거 시간의 동역학을 표현할 수 있도록 한다.
• k차 미분 연산을 통해 역라플라스 변환을 구현한다: f̃(τ̂) = L⁻¹[F(s)] ≈ C_k s^{k+1} d^k F(s)/ds^k, τ̂ = k/s.
• 시간 진동을 미분 방정식으로 모델링한다: dF(s)/dt = α(t)[−sF(s) + f(t)], 여기서 α(t)는 효과적인 시간 스케일을 조절한다.
• F(s)가 위치, 운동 또는 증거 축적에 대한 함수의 변환을 나타내도록 허용하여 프레임워크를 공간적 및 추상적 변수로 일반화한다.
• F(s)로부터 원래 함수 f(τ)를 복원하기 위해 역연산자를 사용하여 시간/공간 도메인에서 이동, 뺄셈 등의 연산을 가능하게 한다.

실험 결과

연구 질문

• RQ1 히포크암프스의 과거 시간 신경 표현은 시간 함수의 라플라스 변환으로 해석될 수 있는가?
• RQ2 허브리드 코르티시스의 시간적 맥락 세포는 히포크암프스 시간 세포 활동의 라플라스 변환을 인코딩하는가?
• RQ3 동일한 라플라스 도메인 프레임워크를 공간적 위치, 이동 경로, 축적된 증거 등으로 확장할 수 있는가?
• RQ4 변환/역변환 쌍을 사용하여 뉴런 회로에서 데이터에 의존하지 않는 인지적 연산(예: 이동, 뺄셈)을 어떻게 실현할 수 있는가?
• RQ5 신경 표현의 인지 기능을 위해 라플라스 도메인을 사용할 때의 계산적 이점은 무엇인가?

주요 결과

• 히포크암프스 시간 세포는 과거 시간에 대한 압축된 함수 f(τ)를 추정하는 것처럼 행동하며, 그들의 활동률 τ̂는 시간 상수 1/s에 비례한다.
• 허브리드 코르티시스 시간적 맥락 세포는 히포크암프스 함수 f(τ)의 라플라스 변환 F(s)를 인코딩하여 시간 기억을 위한 변환/역변환 쌍 메커니즘을 제공한다.
• 역라플라스 변환은 k차 미분 연산을 통해 실현될 수 있으며, f̃(τ̂)는 k → ∞로 갈수록 f(τ)에 수렴한다.
• α(t)가 변수의 변화율(예: 이동 속도)으로 설정되면, F(s)는 공간적 또는 운동학적 변수에 대한 함수의 라플라스 변환을 나타낼 수 있다.
• 이 모델은 기호 표현 없이도 변환 기반 계산을 통해 기호 유사 연산(예: 이동, 뺄셈)을 수행할 수 있음을 설명한다.
• 이 프레임워크는 델타 함수 입력에 대한 신경 반응을 설명하며, α(t)를 변경하면 시간 또는 공간 스케일이 효과적으로 변화함을 보여주어 시간 확장 또는 공간 스케일링을 모방한다.