为了进一步探究大脑是否总是用相同的这几块“屏幕”记忆不同类型的空间序列 ， 研究人员对数据做了解码分析 ， 即运用机器学习方法训练线性分类器来区分不同次序上的空间信息 。 比如 ， 用猕猴正确应答时的神经元群体活动训练解码器 ， 可以在部分做对的序列里面取得较好的解码效果 。 这些结果提示了用于编码次序的“屏幕”是稳定通用的 。
研究人员还发现 ， 不同次序的子空间之间共享了类似的环状结构 ， 只是环的半径大小会随次序的增加而减小 。 一个可能的解释是 ， 次序靠后的信息所分配到的注意资源更少 ， 导致对应的环变小、区分度降低 。 这一结构也对应了序列记忆的行为表现 ， 例如我们日常生活中如果记忆的内容越多 ， 越往后的信息便更容易出错 。
该发现也可总结为在群体水平的空间信息编码几何结构受时序调制的性质 。 有意思的是 ， 这种性质并不完全适用于单个神经元水平 ， 而单神经元活动的增强调制正是经典序列工作记忆模型的关键假设 ， 提示了序列记忆的编码应更加关注群体神经元性质 。
该研究第一次在群体神经元水平阐释了序列工作记忆的计算和编码原理 ， 也为神经网络如何进行符号表征这一难题提供了新的思路 。 上世纪80年代 ， 人工智能领域就有研究者提出张量乘积这一概念来实现神经网络对符号结构的表征 ， 但其如何在神经网络层面自然涌现一直没有被很好的解决 。 序列工作记忆的神经表征正好对应了将该符号表征由对应次序的子空间嵌入到高维向量空间中 ， 同时支持了下游神经网络对符号结构信息的线性读取 。
中国科学院脑科学与智能技术卓越创新中心王立平研究组博士后谢洋和研究助理胡沛烑为论文共同第一作者 ， 研究助理李俊汝、博士生陈静文和北京大学研究生宋卫彬在课题的不同阶段作出了贡献 。 法国国家健康与医学研究院Stanislas Dehaene教授、纽约大学汪小京教授和中科院脑智卓越中心杨天明研究员参与本研究 。 中科院、基金委、科技部和上海市政府资助了本工作 。