[论文解读] 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 5

一句话总结

该论文提出了一种基于理论与优化的网格细胞路径整合模型，利用群表示和各向同性缩放条件，确保在高维神经向量空间中对二维自我位置实现共形嵌入。该模型采用形成旋转矩阵李群的线性变换，在各向同性缩放条件下，自然生成与啮齿类大脑数据一致的六边形网格图样，并通过学习的多尺度网格表征实现精确的长距离路径整合。

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.

研究动机与目标

• 理解网格细胞在何种理论条件下可通过神经向量表征实现路径整合。
• 识别两个关键数学条件——群表示与各向同性缩放——以确保二维自我位置在神经空间中的共形嵌入。
• 研究线性变换（构成矩阵李群的旋转群）在各向同性缩放下如何生成六边形网格图样。
• 证明通过优化简单损失函数，可从零开始学习多尺度、生物上合理的六边形网格图样。
• 在模拟的二维环境中验证模型实现高精度长距离路径整合的能力。

提出的方法

• 将二维自我位置表示为神经空间中的高维向量，自运动通过该向量的变换进行编码。
• 引入群表示条件，以确保变换构成有效的群作用，这对一致的路径整合至关重要。
• 施加各向同性缩放条件，以确保局部共形嵌入，使向量空间中的误差能按比例且保角地映射到物理空间中的误差。
• 使用由反对称矩阵 B(θ) 参数化的线性变换，构建旋转的矩阵李群以建模神经动力学。
• 应用结合重构损失与各向同性缩放约束的损失函数，端到端训练模型，学习类似网格的放电图样。
• 采用分块或模块化架构，实现多尺度网格图样的学习，且对分块大小或数量无先验假设。

实验结果

研究问题

• RQ1 何种数学条件是神经表征支持通过向量变换实现精确路径整合的必要条件？
• RQ2 各向同性缩放如何与网格细胞中六边形网格放电图样的出现相关？
• RQ3 具有群表示与各向同性缩放的线性变换模型是否可通过优化学习到生物上真实的网格图样？
• RQ4 变换矩阵的反对称性假设是否对网格图样的形成至关重要？
• RQ5 该模型是否仅通过自运动线索与学习到的向量表征实现高精度的长距离路径整合？

主要发现

• 群表示条件对一致的路径整合是必要的，确保随时间推移变换可正确组合。
• 各向同性缩放条件确保神经向量空间中的局部失真能共形映射到物理空间，从而最小化位置误差的方向偏差。
• 当与各向同性缩放结合时，形成矩阵李群旋转的线性变换自然支持六边形网格图样的出现。
• 该模型在不同分块配置下成功学习到清晰的多尺度六边形网格图样，即使未假设正激活或反对称矩阵。
• 消融研究证实，若移除各向同性缩放约束，将导致条带状、非六边形图样，证明其对网格形成具有必要性。
• 该模型在路径整合中实现高精度，平均姿态推断误差在 x₁ 方向为 0.0225m，x₂ 方向为 0.0230m，航向角方向为 1.37°。