图5 互信息
不同随机化水平下刺激空间与神经元激活水平的互信息
表征的几何特性除此以外，研究者们还很关心神经元对这两个变量的表征是否都具有几何特性。因此，他们对神经元活动进行分析和降维，构建了该任务中的神经元流形（neural manifold），作为神经元活动的空间。这个流形用五个潜变量刻画了神经元在任务中的活动状态。研究者在这个流形中分别表示了空间位置变量和抽象认知变量，这两个变量在神经元活动空间中，均体现出了很强的几何特点。
图6 认知和位置变量在神经元活动空间表征的几何特性
同时，研究者们发现，这种表征知识的几何特性并不特异于某个个体，而是特异于任务存在的，在不同的鼠之间这种几何特性可以共享的。
3. 序列活动可以预测决策行为计算神经科学研究发现，神经元的序列活动可以预测此后的行为决策。那么，在该任务的神经活动空间，是否可以找到某种序列活动，对每个试次的选择进行预测呢？
研究者找到了一些神经元对，这些神经元对在多个试次中都存在序列性兴奋活动，即在一个神经元兴奋后，另一个也随即兴奋。他们通过对比每个神经元对在左右转和随机试次中出现的概率，将神经元对分为左转对和右转对。并分别用其在神经活动空间的轨迹对转向行为进行预测。结果发现，有转向偏好的神经元对相比从随机试次中生成的神经元对，可以更好地预测转向行为。说明这种序列活动信息在神经活动空间与个体的决策行为具有耦合性。
图7 序列活动预测决策行为
4. 小结本研究致力于探索认知信息在脑内的表征及对其对决策的影响。文章通过构建认知任务中的神经元活动空间，揭示了海马神经元对抽象认知和空间位置变量编码策略：这两种信息是共同编码的，存在很强的依存关系；他们的脑内表征都呈现出几何结构特点。除此之外，文章还利用该空间中的神经元序列活动对决策行为进行了预测，富含认知信息的神经活动空间能够让生物做出预测和判断。
我们如何在神经元水平上理解知识和获取知识的过程，又如何将这种生物近乎“本能”的特性更好地复刻在类脑智能中？大脑像一个黑箱，在高级认知的层面更是这样。知识的复杂性让我们很难从还原论的角度进行分解，但或许我们可以从对比中入手。
目前已有多项研究揭示了人工神经网络与生物模型在学习过程中的一致性，两者均通过几何结构存储知识，并利用这些知识做出判断。因此，进一步明确知识在生物模型中的表征将对类脑模型的构建起到重要作用。而要真正明确这个命题背后的脑机制，还有很多亟待解决和验证的问题：神经元是如何表征知识的？为什么会有这种表征方式？这种对知识的表征方式是否能为行为决策提供便利？
参考文献
1. Nieh, E. H., Schottdorf, M., Freeman, N. W., Low, R. J., Lewallen, S., Koay, S. A., Pinto, L., Gauthier, J. L., Brody, C. D., & Tank, D. W. (2021). Geometry of abstract learned knowledge in the hippocampus. _Nature_, _595_(7865), 80–84. https://doi.org/10.1038/s41586-021-03652-7
2. Park, S. A., Miller, D. S., Nili, H., Ranganath, C., & Boorman, E. D. (2020). Map Making: Constructing, Combining, and Inferring on Abstract Cognitive Maps. _Neuron_, _107_(6), 1226-1238.e8. https://doi.org/10.1016/j.neuron.2020.06.030
3. Recanatesi, S., Farrell, M., Lajoie, G., Deneve, S., Rigotti, M., & Shea-Brown, E. (2021). Predictive learning as a network mechanism for extracting low-dimensional latent space representations. _Nature Communications_, _12_(1), 1417. https://doi.org/10.1038/s41467-021-21696-1
本文经授权转载自微信公众号“集智俱乐部”。
