Между моментом, когда вы читаете пароль Wi-Fi с доски меню кафе, и временем, когда вы можете вернуться к своему ноутбуку, чтобы ввести его, вы должны помнить об этом. Если вы когда-нибудь задавались вопросом, как ваш мозг это делает, вы задаете вопрос о рабочей памяти, который исследователи пытались объяснить на протяжении десятилетий. Теперь нейробиологи Массачусетского технологического института опубликовали ключевое новое понимание, объясняющее, как это работает.

В исследовании PLOS Computational Biology ученые из Института обучения и памяти Пикауэра сравнили измерения активности клеток мозга у животного, выполняющего задание на рабочую память, с результатами различных компьютерных моделей, представляющих две теории основного механизма удержания информации в уме. Результаты убедительно подтвердили более новое представление о том, что сеть нейронов хранит информацию, внося кратковременные изменения в структуру своих соединений или синапсов, и противоречили традиционной альтернативе, согласно которой память поддерживается нейронами, остающимися постоянно активными (подобно работающему на холостом ходу двигателю).

Хотя обе модели позволяли удерживать информацию в памяти, только те версии, которые позволяли синапсам временно изменять связи («кратковременная синаптическая пластичность»), создавали паттерны нейронной активности, которые имитировали то, что на самом деле наблюдалось в реальном мозге при работе. Идея о том, что клетки мозга сохраняют память, будучи всегда «включенными», может быть проще, признал старший автор Эрл К. Миллер, но она не отражает того, что делает природа, и не может обеспечить сложную гибкость мышления, которая может возникнуть из-за прерывистых импульсов. нейронная активность, подкрепленная кратковременной синаптической пластичностью.

«Вам нужны такие механизмы, чтобы дать рабочей памяти свободу, необходимую для гибкости», — сказал Миллер, профессор нейробиологии Пикауэра в Департаменте мозга и когнитивных наук Массачусетского технологического института (BCS). «Если бы рабочая память была просто постоянной активностью, она была бы такой же простой, как выключатель света. Но рабочая память так же сложна и динамична, как и наши мысли».

Соавтор Лев Козачков, защитивший кандидатскую диссертацию. в Массачусетском технологическом институте в ноябре для работы по теоретическому моделированию, включая это исследование, сказал, что сопоставление компьютерных моделей с реальными данными имеет решающее значение.

«Большинство людей думают, что рабочая память «происходит» в нейронах — постоянная нейронная активность порождает постоянные мысли. со-старший автор Жан-Жак Слотин, профессор BCS и машиностроения.

«Используя искусственные нейронные сети с кратковременной синаптической пластичностью, мы показываем, что синаптическая активность (вместо нейронной активности) может быть субстратом для рабочей памяти. Важным выводом из нашей статьи является то, что эти «пластичные» модели нейронных сетей более эффективны для мозга. в количественном отношении, а также имеют дополнительные функциональные преимущества с точки зрения надежности».

Соответствие моделей природе

Вместе с соавтором Джоном Таубером, аспирантом Массачусетского технологического института, целью Козачкова было не просто определить, как информация рабочей памяти может храниться в памяти, но и пролить свет на то, каким образом природа на самом деле делает это. Это означало, что нужно начинать с «наземных» измерений электрической «всплесковой» активности сотен нейронов в префронтальной коре головного мозга животного, когда оно играло в игру с рабочей памятью.

В каждом из многих раундов животному показывали изображение, которое затем исчезало. Секундой позже он увидит два изображения, включая оригинал, и должен будет посмотреть на оригинал, чтобы заработать небольшое вознаграждение. Ключевым моментом является та промежуточная секунда, называемая «периодом задержки», в течение которой изображение должно быть сохранено в памяти до начала теста.

Команда постоянно наблюдала то, что лаборатория Миллера наблюдала много раз раньше: нейроны сильно всплескивали при просмотре исходного изображения, всплески происходили только периодически во время задержки, а затем снова всплескивали, когда изображения должны быть вызваны во время теста (эта динамика регулируется взаимодействие бета- и гамма-ритмов мозга). Другими словами, всплески сильны, когда информация должна быть первоначально сохранена и когда она должна быть вызвана, но только спорадически, когда ее необходимо поддерживать. Всплеск не является постоянным во время задержки.

Более того, команда обучила программные «декодеры» считывать информацию о рабочей памяти из измерений пиковой активности. Они были очень точными, когда всплески были высокими, но не когда они были низкими, как в период задержки. Это говорит о том, что всплески не представляют информацию во время задержки. Но это подняло важный вопрос: если всплеск не запоминает информацию, то что?

Исследователи, в том числе Марк Стоукс из Оксфордского университета, предположили , что изменения относительной силы или «веса» синапсов могут вместо этого хранить информацию. Команда Массачусетского технологического института проверила эту идею путем компьютерного моделирования нейронных сетей, воплощающих две версии каждой основной теории. Как и в случае с реальным животным, сети машинного обучения были обучены выполнять ту же задачу с рабочей памятью и выводить нейронную активность, которая также могла быть интерпретирована декодером.

В результате вычислительные сети, которые позволили кратковременной синаптической пластичности кодировать информацию, выдавали всплески, когда реальный мозг всплескивал, и не всплескивали, когда этого не было. Сети, использующие постоянные всплески как метод поддержания памяти, всплескивали постоянно, в том числе и тогда, когда естественный мозг этого не делал. И результаты декодера показали, что точность снижалась в течение периода задержки в моделях синаптической пластичности, но оставалась неестественно высокой в ​​моделях с постоянными выбросами.

На другом уровне анализа команда создала декодер для считывания информации с синаптических весов. Они обнаружили, что в течение периода задержки синапсы представляли информацию о рабочей памяти, которой не было при всплесках.

По словам Козачкова, среди двух версий модели с краткосрочной синаптической пластичностью наиболее реалистичной была названа «PS-Hebb», в которой используется петля отрицательной обратной связи , поддерживающая стабильность и надежность нейронной сети.

Работа рабочей памяти

В дополнение к лучшему соответствию природе модели синаптической пластичности также давали другие преимущества, которые, вероятно, имеют значение для реального мозга. Во-первых, модели пластичности сохраняли информацию в своих синаптических весовых коэффициентах даже после того, как половина искусственных нейронов была «удалена». Модели постоянной активности вышли из строя после потери всего 10–20 процентов своих синапсов. И, добавил Миллер, просто время от времени всплески требуют меньше энергии, чем всплески настойчиво.

Кроме того, по словам Миллера, быстрые всплески всплесков, а не постоянные всплески, оставляют место во времени для хранения более одного элемента в памяти. Исследования показали, что люди могут удерживать в рабочей памяти до четырех разных вещей. Лаборатория Миллера планирует новые эксперименты, чтобы определить, соответствуют ли модели с прерывистыми импульсами и хранением информации на основе синаптического веса реальным нейронным данным, когда животные должны удерживать в уме несколько вещей, а не только одно изображение.