为了进一步探究大脑是否总是用相同的几块“屏幕”记忆不同类型的空间序列 ， 研究人员用机器学习方法 ， 训练线性分类器区分不同次序上的空间信息 。 结果发现 ， 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 。 ”该论文共同第一作者、中科院脑科学与智能技术卓越创新中心博士后谢洋对《中国科学报》说 ， “这一结构也对应了序列记忆的行为表现 。 如 ， 我们记忆的内容越多 ， 靠后的信息越容易出错 。 ”
有意思的是 ， 这种在群体水平上由时间调制空间信息几何结构的编码性质 ， 并不完全适用于单个神经元水平 。 也就是说 ， 序列记忆的编码更应关注群体神经元性质 ， 而非单个神经元 。
促进人工智能研究
“这是一篇重要的论文 。 ”郭爱克评价说 ， “它的科学意义在于揭示了在工作记忆的时间尺度上 ， 序列信息在大脑前额叶皮层的神经编码和表征机制 。 ”
郭爱克认为 ， 该论文的创新性在于以猕猴的序列学习为对象 ， 设计了时间和空间信息两个线索共存的实验范式 ， 采用双光子在体钙成像技术 ， 记录了数千个大脑前额叶皮层神经元 ， 发现了高维神经元状态空间可以分解为多个二维子空间之和 ， 从而揭示了序列信息的工作记忆在猕猴前额叶皮层表征的简单几何结构 。
“这个发现揭示了序列信息编码利用了降维原则 ， 从而降低了神经计算复杂性 ， 将对受脑启发的人工智能研究产生影响 。 ”郭爱克说 ， “证明序列信息中时间和空间的整合发生在整体水平而不是单神经元层面 ， 为70年前卡尔·拉什利提出的理论假设——序列信息是通过创造和维系神经活动来进行加工的——提供了实验数据支持 。 ”