芝加哥大学(University of Chicago)神经科学家的研究表明，短期记忆或“工作记忆”使用神经元网络的方式不同，取决于手头任务的复杂性。
研究人员使用现代人工智能技术来训练基于大脑生物结构的计算神经网络。他们要求这些网络解决一系列复杂的行为任务，这些任务需要将信息存储在短期记忆中。研究结果显示，短期记忆涉及两个截然不同的过程:一个“沉默”的过程，即大脑储存短期记忆而不进行神经活动;第二种是更活跃的过程，在这个过程中，神经元回路不断地放电。
这项研究由芝加哥大学资深科学家尼古拉斯·马斯和神经生物学教授、资深作家大卫·弗里德曼领导，本周发表在《自然神经科学》杂志上。这项工作证明了人工智能对神经科学研究的价值，以及这两个领域是如何相互影响的。
“短期记忆很可能由许多不同的进程非常简单的,你需要记得你看到几秒钟前,更复杂的过程,你需要操作你的信息在内存中,”弗里德曼说,他的研究探讨了大脑机制的视觉学习,识别和决策。“我们已经确定了两种不同的神经机制是如何协同工作来解决不同类型的记忆任务的。”
主动记忆vs.沉默记忆
许多日常任务需要使用工作记忆——你需要在当下做某件事，但稍后可能会忘记的信息。有时候你会有意地积极地记住一些东西，比如当你在脑海中做一道数学题的时候，或者在你有机会写下一个电话号码之前试图记住它的时候。你也会被动地吸收你后来能回忆起来的信息，即使你没有刻意记住它，比如有人问你是否在走廊里看到了一个特定的人。
神经科学家们通过监测动物在执行需要使用短期记忆的任务时大脑中电流活动的模式，已经了解了很多关于大脑如何表示记忆中的信息。
但弗里德曼说，他和他的团队感到惊讶的是，在某些需要记忆信息的任务中，他们的实验发现神经回路异常安静。这让他们推测，这些“沉默”记忆可能存在于神经元之间连接强度或突触强度的临时变化中。
问题是，用目前的技术来测量活动物大脑中这些“沉默”时期的突触发生了什么是不可能的。因此，Masse、Freedman和他们的团队一直在开发人工智能方法，利用动物实验数据来设计网络，模拟真实大脑中的神经元如何相互连接。然后他们可以训练这些网络来解决在动物实验中研究的相同类型的任务。
在对这些受生物启发的神经网络进行实验时，他们能够看到在短期记忆处理过程中有两个不同的过程在起作用。
一种叫做持续性神经元活动，在更复杂但仍然是短期的任务中尤其明显。当神经元得到输入时，它会在活动中产生短暂的电尖峰。神经元与其他神经元形成突触，当一个神经元放电时，它会触发连锁反应，使另一个神经元放电。通常，当输入信号消失时，这种活动模式就会停止，但人工智能模型显示，当执行某些任务时，即使输入信号被移除，一些神经元回路也会继续放电，比如回声或回声。对于需要以某种方式处理内存中的信息的更复杂的问题，这种持续的活动显得尤为重要。
研究人员还发现了第二个过程，解释了大脑如何在没有持续活动的情况下将信息保存在记忆中，就像他们在大脑记录实验中观察到的那样。这类似于大脑通过在许多神经元之间建立复杂的连接网络来存储长期记忆。当大脑学习新信息时，这些连接会被加强、改道或移除，这就是所谓的可塑性。人工智能模型显示，在记忆的静默期，大脑可以利用神经元之间突触连接的短期可塑性来临时记忆信息。
这两种形式的短期记忆都能持续几秒钟到几分钟。工作记忆中使用的一些信息可能最终会被长期存储，但大部分信息会随着时间的推移而消失。
马斯说:“这就像用手指在模糊的镜子上写字，而不是用永久性的记号笔。”
互补研究领域
弗里德曼说，当人工神经网络以真实大脑为模型时，它们往往更智能，更容易接受复杂任务的训练。这也使得受生物学启发的人工智能网络成为更好的平台，用于测试关于真实大脑功能的想法。
他说:“这两个领域确实相互受益。”“来自神经科学实验的洞见正在帮助创造更智能的人工智能，而研究人工网络中的回路有助于回答有关大脑的基本问题。”
其他作者包括芝加哥大学的Nicolas Y. Masse，哥伦比亚大学的Yang Guangyu R. Yang，谷歌DeepMind的Francis Song和纽约大学的Xiao-Jing Wang。
引文:Masse, Freedman，等，《工作记忆中信息维护和操作的电路机制》，《自然神经科学》。2019年6月10日。DOI: 10.1038 / s41593 – 019 – 0414 – 3
资助机构:美国国立卫生研究院、美国国家科学基金会和国防部。
-文章最初出现在芝加哥大学医学网站