[論文レビュー] On Path Integration of Grid Cells: Group Representation and Isotropic Scaling

Ruiqi Gao, Jianwen Xie+3 more|arXiv (Cornell University)|Jun 17, 2020

Neural dynamics and brain function被引用数 5

ひとこと要約

本論文は、2次元自己位置を高次元ニューラルベクトル空間に等長埋め込みするための理論的かつ最適化ベースのモデルを提案する。群表現と等方的スケーリング条件を用いて、ラット脳データと整合するヘキサゴナルグリッドパターンを自然に生成し、学習されたマルチスケールグリッド表現を通じて長距離のパス統合を正確に実現する。モデルは回転を形成する行列リー群である線形変換を用い、等方的スケーリングのもとで、生物的条件下のヘキサゴナルグリッドパターンを自然に生成する。

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.

研究の動機と目的

• ニューラルベクトル表現を用いたグリッド細胞がパス統合を実行できる理論的条件を理解すること。
• 2次元自己位置をニューラル空間に等長埋め込みするために必要な2つの数学的条件——群表現と等方的スケーリング——を特定すること。
• 線形変換（行列リー群としての回転）が等方的スケーリングのもとで、どのようにヘキサゴナルグリッドパターンを生じさせるかを調査すること。
• シンプルな損失関数の最適化により、スクラッチからマルチスケールで生物学的に妥当なヘキサゴナルグリッドパターンを学習できることを示すこと。
• シミュレートされた2次元環境において、モデルが自己運動の情報のみと学習済みのベクトル表現を用いて、正確な長距離パス統合を実現できることを検証すること。

提案手法

• 自己位置をニューラル空間内の高次元ベクトルとして表現し、自己運動をこのベクトルの変換として符号化する。
• 変換が正当な群作用を形成することを保証するための群表現条件を導入する。これは一貫したパス統合に不可欠である。
• 局所的な等長埋め込みを保証するため、等方的スケーリング条件を課す。これにより、ニューラル空間の誤差が物理空間の誤差に比例し、角度を保存する形でマッピングされる。
• 回転を形成する行列リー群を形成するスケーラブルな反対称行列 B(θ) でパrameter化された線形変換を用いて、ニューラルダイナミクスをモデル化する。
• 再構成誤差と等方的スケーリング制約を組み合わせた損失関数を適用し、エンドツーエンドでモデルを学習させ、グリッド様の発火パターンを学習する。
• ブロック単位またはモジュラー構造を用いてマルチスケールのグリッドパターン学習を可能にし、ブロックサイズや数にあらかじめバイアスをかけない。

実験結果

リサーチクエスチョン

• RQ1 ベクトル変換を用いたパス統合を実現するための神経表現に必要な数学的条件は何か？
• RQ2 等方的スケーリングは、グリッド細胞におけるヘキサゴナルグリッド発火パターンの出現とどのように関係するか？
• RQ3 群表現と等方的スケーリングを備えた線形変換モデルが、最適化によって生物学的に妥当なグリッドパターンを学習できるか？
• RQ4 変換行列の反対称性仮定はグリッドパターン形成に不可欠か？
• RQ5 自己運動の情報のみと学習済みのベクトル表現を用いて、モデルが正確な長距離パス統合を達成できるか？

主な発見

• 群表現条件は一貫したパス統合に不可欠であり、時間経過に伴う変換の合成が正しく行われることを保証する。
• 等方的スケーリング条件により、ニューラルベクトル空間における局所的歪みが物理空間に等長的にマッピングされ、位置誤差の方向的バイアスが最小限に抑えられる。
• 線形変換が行列リー群の回転を形成する場合、等方的スケーリングと組み合わせることで、ヘキサゴナルグリッドパターンの自然な出現が可能になる。
• モデルは、正の活性化や反対称行列を仮定せずとも、さまざまなブロック構成で明確なマルチスケールヘキサゴナルグリッドパターンを学習するのに成功した。
• アブレーションスタディーにより、等方的スケーリング制約を除去するとストライプ状の非ヘキサゴナルパターンが生じ、グリッド形成にその条件が不可欠であることが証明された。
• モデルは高い精度のパス統合を達成し、平均して x₁方向に 0.0225m、x₂方向に 0.0230m、ヘディング方向に 1.37° のポーズ推定誤差を示した。