A geometria da computação neural unifica a memória de trabalho e o planejamento, parte 1

As tarefas do mundo real exigem coordenação da memória de trabalho, tomada de decisões e planejamento, mas essas funções cognitivas têm sido desproporcionalmente estudadas como processos modulares independentes no cérebro. Aqui, propomos que as representações de contingência, definidas como mapeamentos de como os comportamentos futuros dependem de eventos futuros, podem unificar a memória de trabalho e os cálculos de planejamento.

A modularização independente refere-se a uma forma de gerenciar e organizar coisas que torna o gerenciamento e a execução de tarefas mais eficientes e convenientes, dividindo-as em módulos independentes e reutilizáveis. Memória refere-se à capacidade de uma pessoa aprender, lembrar e usar informações, o que é extremamente importante para o desenvolvimento e sucesso pessoal.

Embora a modularidade e a memória independentes possam não parecer diretamente relacionadas, existe uma estreita ligação entre as duas. A modularização independente pode nos ajudar a organizar e gerenciar melhor as informações e dividi-las em módulos fáceis de entender e lembrar. Por exemplo, quando estudamos um curso, podemos dividi-lo em vários módulos, como objetivos de aprendizagem, conceitos importantes, exercícios, etc. Isto não só nos ajudará a compreender e lembrar melhor as informações, mas também a aprender e dominar o conhecimento de forma mais eficiente.

Além disso, a modularização independente também pode nos ajudar a planejar e organizar melhor o tempo para fazer melhor uso do tempo e dos recursos. Quando dividimos as tarefas em módulos independentes, podemos estimar melhor os requisitos de tempo e recursos de cada módulo e priorizá-los conforme necessário. Isso nos permite controlar melhor nosso tempo, aumentar a produtividade e, assim, atingir melhor os objetivos pessoais e organizacionais.

Resumindo, modularidade independente e memória são complementares entre si e a relação entre as duas é muito próxima. A modularidade independente pode ajudar-nos a organizar e lembrar melhor a informação, melhorando a produtividade e os resultados pessoais e organizacionais, enquanto a memória pode ajudar-nos a dominar e aplicar melhor a informação, alcançando assim o desenvolvimento e o sucesso pessoal e organizacional. Portanto, devemos cultivar e melhorar ativamente nossas habilidades independentes de modularização e memória para melhor atingir os objetivos pessoais e organizacionais. Percebe-se que precisamos melhorar nossa memória. Cistanche deserticola pode melhorar significativamente a memória, porque Cistanche deserticola também pode regular o equilíbrio dos neurotransmissores, como aumentar os níveis de acetilcolina e fatores de crescimento. Essas substâncias são muito importantes para a memória e o aprendizado. Além disso, a carne também pode melhorar o fluxo sanguíneo e promover o fornecimento de oxigênio, o que pode garantir que o cérebro receba nutrientes e energia suficientes, melhorando assim a vitalidade e a resistência do cérebro.

Clique em conhecer maneiras de melhorar a função cerebral

Projetamos uma tarefa capaz de desambiguar distintos tipos de representações. Em redes neurais recorrentes otimizadas para tarefas, investigamos possíveis mecanismos de circuito para representações de contingência e descobrimos que essas representações podem explicar observações neurofisiológicas do córtex pré-frontal durante tarefas de memória de trabalho.

Nossos experimentos revelaram que o comportamento humano é consistente com representações contingenciais e não com modelos sensoriais tradicionais de memória de trabalho. Finalmente, geramos previsões falsificáveis ​​para dados neurais para identificar representações de contingência em dados neurais e dissociar diferentes modelos de memória de trabalho. Nossas descobertas caracterizam uma estratégia de representação neural que pode unificar memória de trabalho, planejamento e tomada de decisão dependente do contexto.

Memória de trabalho|modelo computacional|rede neural|geometria representacional.

Em ambientes que variam no tempo, a cognição flexível requer a capacidade de armazenar e combinar informações ao longo do tempo para orientar adequadamente o comportamento. Em paradigmas de tarefas de atraso comumente usados, um estímulo sensorial transitório fornece informações, que o agente deve manter internamente durante um atraso mnemônico de segundos para orientar uma resposta futura (1–4).

A memória de trabalho é uma função cognitiva central para a manutenção ativa e manipulação de informações relevantes para tarefas para uso posterior. Para orientar o comportamento flexível, o conteúdo da memória de trabalho deve interagir com outras funções cognitivas, como o planejamento e a tomada de decisões dependentes do contexto. No entanto, dentro da neurociência, estas funções têm sido estudadas em grande parte de forma independente, e continua a ser pouco compreendido como o cérebro coordena estes processos ao serviço do comportamento orientado para objectivos.

Representações internas relacionadas a estados cognitivos podem ser reveladas através do registro da atividade neural durante tarefas atrasadas em animais e humanos. Os neurônios no córtex pré-frontal exibem padrões de atividade seletiva de conteúdo durante atrasos mnemônicos de tarefas de memória de trabalho (5, 6). A atividade de atraso seletivo durante a memória de trabalho é mais comumente interpretada e implementada em modelos computacionais como representando características de estímulos sensoriais, que podem ser processados ​​para orientar uma resposta posterior.

Na estrutura conceitual dominante, a estratégia cognitiva proposta utiliza representações da memória de trabalho que são fundamentalmente sensoriais (5, 6). A estratégia sensorial para a memória de trabalho tem sido desafiada por observações da atividade de atraso pré-frontal que se correlacionam melhor com diversas variáveis ​​da tarefa, incluindo ações, estímulos esperados e regras (2, 3, 7).

Além disso, a crescente literatura caracteriza uma seletividade mista não linear substancial de características no córtex pré-frontal, que pode, em princípio, apoiar o comportamento dependente do contexto (8–10). Estas diversas observações sugerem que é necessária uma estrutura mais unificada para explicar os papéis computacionais da memória de trabalho, planejamento e tomada de decisão dependente do contexto.

A modelagem computacional tem sido aplicada com sucesso para examinar potenciais mecanismos de circuitos neurais que apoiam funções cognitivas, incluindo memória de trabalho e tomada de decisão (11). As funções da memória de trabalho são comumente modeladas com circuitos modulares distintos, que não levam em conta a seletividade mista no córtex pré-frontal e assumem que a memória de trabalho mantém representações sensoriais (11, 12).

Uma abordagem de modelagem complementar utiliza modelos de redes neurais artificiais, que são treinados para realizar tarefas cognitivas (13). Em contraste com os modelos projetados manualmente, os modelos de redes neurais recorrentes (RNN) treinados em tarefas podem executar tarefas de atraso sem exigir suposições sobre arquiteturas de circuitos estruturados ou a forma de representações da memória de trabalho (14).

Esta abordagem é, portanto, adequada para examinar mecanismos computacionais através dos quais as representações da memória de trabalho podem suportar computações flexíveis (4, 15–18).

Significado

Vincular estados observados de circuitos neurais a crenças, ações e planos é um objetivo central da neurociência de sistemas, mas fazer isso apresenta desafios substanciais para o projeto experimental, análise e teoria.

Particularmente no domínio de tarefas de atraso, a lógica representacional de conjuntos neurais tem sido amplamente debatida. Usando uma tarefa de atraso que permite o controle independente das demandas computacionais em uma base experimental, identificamos uma suposta representação de atraso que reflete os planos em relação aos próximos estímulos esperados. As representações de contingência permitem mapeamentos eficientes para respostas para uma variedade de tarefas de atraso diferentes.

Em redes neurais otimizadas para tarefas, exploramos como as representações de contingência se relacionam com os fenômenos observados na literatura sobre memória de trabalho neurofisiológica. Por último, demonstramos que o comportamento humano é consistente com representações de contingência.

Neste estudo, investigamos as implicações de uma estratégia cognitiva na qual os estados internos representam planos em vez de percepções ou ações. Especificamente, nossa estrutura teórica define estados de contingência com base em como os comportamentos futuros dependem de eventos futuros. Projetamos um paradigma de tarefa, lógica atrasada condicional (CDL), para dissociar estratégias baseadas em contingência de estratégias sensoriais ou baseadas em ação para memória de trabalho.

Os modelos RNN treinados na tarefa CDL desenvolvem enriquecimento de contingência em suas representações de estado, o que se reflete na estrutura geométrica dos padrões de atividade populacional. As representações internas do modelo capturam diversos fenômenos de atividade neural observados durante a memória de trabalho. Testamos o comportamento humano na tarefa CDL e encontramos assinaturas-chave de uma estratégia baseada em contingência no comportamento em tempo de resposta.

Por último, fornecemos previsões falsificáveis ​​para a atividade neural para distinguir representações de contingência de esquemas computacionais alternativos. Tomados em conjunto, nosso estudo apresenta uma estrutura teórica de como a memória de trabalho apoia o planejamento para cognição temporalmente estendida e comportamento flexível, o que explica observações comportamentais e neurais díspares e é testável experimentalmente.

Resultados

Tarefa CDL. Em muitas tarefas de atraso comumente usadas, existem correlações entre estímulos sensoriais, respostas, demandas computacionais ou regras que impedem a atribuição dissociável da atividade neural a variáveis ​​específicas da tarefa cognitiva (1, 19). Procuramos, portanto, uma tarefa que envolve 1) cálculo de entradas informacionais separadas por um atraso; 2) estados computacionais intermediários exatos que ocorrem frequentemente; 3) tentativas para as quais a resposta correta pode ser prevista durante o atraso em algumas tentativas e não em outras; e 4) decorrelação de informações de ação, sensoriais, de regras e de estado computacional.

Para atender a essas demandas, projetamos a tarefa CDL, que aplica uma classificação binária a dois estímulos binários separados por um atraso (Fig. 1A). Referimo-nos aos estímulos de atraso e pós-atraso como "sugestão A" e "sugestão B", respectivamente. As regras podem ser definidas como operações booleanas e uma regra é apresentada tonicamente ao longo de cada tentativa.

Em cada tentativa, o agente recebe uma regra de tarefa, sugestão A e sugestão B e deve gerar uma resposta associada. Por exemplo, na regra OR, a resposta do agente pode ser “um” se qualquer uma das sugestões for igual a um. Das 16 classificações binárias de dois bits possíveis, nos concentraremos em 10 regras (Fig. 1B) para as quais a resposta depende de dicas, mas independente da ordem das dicas.

As 10 regras finais incluem os operadores lógicos (N)OR, (N)AND e X(N)OR, bem como (Anti-)Memória e (Anti-)Relatório. Na Memória, o agente deve responder com o estímulo da sugestão A para aquela tentativa, e no Relatório, o agente deve responder com o estímulo da sugestão B para aquela tentativa. Em ambos os casos, "Anti-" sinaliza uma inversão da saída. A regra, a sugestão A e a sugestão B variam aleatoriamente entre as tentativas.

Representações de Contingência. Para executar a tarefa CDL, o agente deve manter uma representação das informações da tarefa durante o atraso. Poderíamos esperar que o agente mantivesse a identidade do estímulo da sugestão A, o que seria suficiente para resolver todas as tentativas. Nesta "estratégia sensorial", que é comumente assumida em modelos de memória de trabalho, a informação relevante para a tarefa é mantida ao longo do atraso para orientar um resposta em conjunto com as informações na dica B e na regra (5, 20).

Uma “estratégia de ação” alternativa é possível para condições experimentais nas quais a resposta pode ser pré-planejada durante o atraso (2, 21). Além disso, o agente pode representar a identidade da regra, que é apresentada durante o atraso (3). Estas representações não são exclusivas.

For more information:1950477648nn@gmail.com