Informationen im Gedächtnis zu behalten kann bedeuten, sie zwischen Synapsen zu speichern

Zusammenfassung: Die Ergebnisse unterstützen die jüngste Annahme, dass neuronale Netze Informationen speichern, indem sie kurzfristige Änderungen an Synapsen vornehmen. Die Studie wirft ein neues Licht auf die kurzfristige synaptische Plastizität in der aktuellen Gedächtnisspeicherung.

Quelle: Piccoer Institut für Lernen und Gedächtnis

Zwischen dem Lesen des Wi-Fi-Passworts von der Menütafel des Cafés und dem Zeitpunkt, an dem Sie zu Ihrem Laptop zurückkehren können, um es einzugeben, müssen Sie es im Hinterkopf behalten. Wenn Sie sich jemals gefragt haben, wie Ihr Gehirn dies tut, stellen Sie eine Frage zum Arbeitsgedächtnis, die Forscher seit Jahrzehnten zu erklären suchen. Jetzt haben MIT-Neurowissenschaftler eine neue Keynote veröffentlicht, um zu erklären, wie es funktioniert.

In einer Studie in PLOS Computerbiologie, Wissenschaftler am Picower Institute for Learning and Memory verglichen Messungen der Gehirnzellaktivität bei einem Tier, das eine Arbeitsgedächtnisaufgabe ausführte, mit dem Ergebnis verschiedener Computermodelle, die zwei Theorien des zugrunde liegenden Mechanismus zum Speichern von Informationen darstellen.

Die Ergebnisse befürworteten stark die neuere Idee, dass ein Netzwerk von Neuronen Informationen speichert, indem es kurzlebige Änderungen im Muster ihrer Verbindungen oder Synapsen vornimmt, und standen im Gegensatz zu der traditionellen Alternative, das Gedächtnis durch Neuronen aufrechtzuerhalten, die ständig aktiv bleiben (z Motor.) .

Während beide Modelle es ermöglichten, Informationen im Auge zu behalten, erzeugten Versionen, die es Synapsen ermöglichten, Verbindungen vorübergehend zu ändern („kurzfristige synaptische Plastizität“), Muster neuronaler Aktivität, die das nachahmten, was tatsächlich in echten Gehirnen bei der Arbeit beobachtet wurde.

Die Idee, dass Gehirnzellen Erinnerungen aufrechterhalten, indem sie immer „an“ sind, mag einfacher sein, räumte der leitende Autor Earl K. Miller ein, aber es ist nicht das, was die Natur tut, und sie kann nicht die komplexe Plastizität des Denkens erzeugen, die aus Diskontinuität entstehen kann. Neurale Aktivität unterstützt durch kurzfristige synaptische Plastizität.

„Sie brauchen diese Art von Mechanismen, um der Aktivität des Arbeitsgedächtnisses die Freiheit zu geben, die sie braucht, um flexibel zu sein“, sagte Miller, BCS, MIT-Professor für Neurowissenschaften. „Wenn das Arbeitsgedächtnis nur eine nachhaltige Aktivität für sich wäre, wäre es so einfach wie ein Lichtschalter. Aber das Arbeitsgedächtnis ist genauso komplex und dynamisch wie unsere Gedanken.“

Der Abgleich von Computermodellen mit realen Daten ist von entscheidender Bedeutung, sagte Co-Autor Leo Kozakov, der im November am MIT für theoretische Modellierungsarbeiten einschließlich dieser Studie promoviert wurde.

Die meisten Menschen denken, dass das Arbeitsgedächtnis in Neuronen „passiert“ – die konstante neuronale Aktivität, die zu den fortlaufenden Gedanken führt. Diese Ansicht wurde jedoch kürzlich unter die Lupe genommen, weil sie nicht wirklich mit den Daten übereinstimmt“, sagte Kozakov, der von Co-Hauptautor Jean-Jacques Slotin, einem Professor für BCS und Maschinenbau, mitbetreut wurde.

„Durch die Verwendung künstlicher neuronaler Netze mit kurzfristiger synaptischer Plastizität zeigen wir, dass synaptische Aktivität (eher als neuronale Aktivität) ein Substrat für das Arbeitsgedächtnis sein kann. Die wichtige Erkenntnis aus unserer Arbeit ist folgende: Diese „plastischen“ neuronalen Netzmodelle sind mehr Gehirn -ähnlich, im quantitativen Sinne, und sie haben auch zusätzliche funktionale Vorteile in Bezug auf die Haltbarkeit.“

Formen der Natur anpassen

Zusammen mit Co-Autor John Tauber, einem Doktoranden am MIT, war es Kozakovs Ziel, nicht nur zu bestimmen, wie Arbeitsgedächtnisinformationen ins Spiel kommen, sondern auch zu beleuchten, wie die Natur dies tatsächlich tut. Das bedeutet beginnend mit „Ground-Truth“-Messungen der elektrischen Aktivität von Hunderten von Neuronen im präfrontalen Kortex eines Tieres, während es ein Arbeitsgedächtnisspiel spielte. In jeder der vielen Runden wurde dem Tier ein Bild gezeigt, das dann verschwand.

Nach einer Sekunde sieht er zwei Bilder, darunter das Original, und er musste sich das Originalbild ansehen, um eine kleine Belohnung zu erhalten. Der Schlüsselmoment ist diese überlappende Sekunde, die als „Verzögerungszeitraum“ bezeichnet wird und in der das Bild vor dem Testen betrachtet werden muss.

Das Team beobachtete konsequent, was Millers Labor schon viele Male zuvor gesehen hatte: Neuronen feuern stark an, wenn sie das Originalbild sehen, nur sporadisch während der Verzögerung, und dann wieder hochfahren, wenn die Bilder während des Tests abgerufen werden sollten (diese Dynamik wird bestimmt von eine Wechselwirkung zwischen den Beta- und Gamma-Frequenz-Rhythmen des Gehirns). Mit anderen Worten, der Anstieg ist stark, wenn die Informationen ursprünglich gespeichert und abgerufen werden müssen, aber nur sporadisch, wenn sie aufbewahrt werden müssen. Die Spitze setzt sich während der Verzögerung nicht fort.

Darüber hinaus trainierte das Team Software-„Decoder“, um Arbeitsgedächtnisinformationen aus Messungen der Spike-Aktivität zu lesen. Es war sehr genau, wenn das Hoch hoch war, aber nicht, wenn es niedrig war, wie in der Verzögerungszeit. Dies zeigt an, dass die Geschwindigkeitsspitze nicht die Information während der Verzögerung darstellt. Aber das warf eine entscheidende Frage auf: Wenn Sie die Informationen nicht im Hinterkopf behalten, was tun Sie dann?

Die Forscher, darunter Mark Stokes von der University of Oxford, haben vorgeschlagen, dass stattdessen Änderungen in der relativen Stärke oder „Gewicht“ von Synapsen Informationen speichern könnten. Das MIT-Team hat diese Idee auf die Probe gestellt, indem es neuronale Netze rechnerisch modelliert hat, die zwei Versionen jeder wichtigen Theorie verkörpern. Wie beim echten Tier wurden maschinelle Lernnetzwerke darauf trainiert, die gleiche Arbeitsgedächtnisaufgabe auszuführen und neuronale Aktivität auszugeben, die auch vom Decoder interpretiert werden konnte.

Das Ergebnis ist, dass die Computernetzwerke, die es der kurzfristigen synaptischen Plastizität ermöglichten, Informationen zu kodieren, sich erhöhten, wenn das eigentliche Gehirn stieg, und nicht, wenn dies nicht der Fall war. Netzwerke, die eine Erhöhung als Möglichkeit zur Erhaltung des Gedächtnisses aufweisen, spitzen die ganze Zeit zu, auch wenn das normale Gehirn dies nicht tun würde. Die Decoder-Ergebnisse zeigten, dass die Genauigkeit während der Verzögerungszeit in den synaptischen Plastizitätsmodellen abnahm, aber in den kontinuierlichen Spiking-Modellen ungewöhnlich hoch blieb.

In einer weiteren Analyseebene erstellte das Team einen Decoder, um die Informationen aus den synaptischen Gewichten zu lesen. Sie fanden heraus, dass die Synapsen während der Verzögerung Arbeitsgedächtnisinformationen darstellten, die die Spitze nicht hatte.

Von den beiden Versionen der Modelle mit kurzfristiger synaptischer Belastbarkeit, sagte Kozakov, heißt der realistischere Typ „PS-Hebb“, der eine negative Rückkopplungsschleife aufweist, die das neuronale Netzwerk stabil und robust hält.

Wie das Arbeitsgedächtnis funktioniert

Neben der besseren Anpassung an die Natur bieten Modelle der synaptischen Plastizität auch andere Vorteile, die für echte Gehirne möglicherweise wichtig sind. Zum einen behielten die Plastizitätsmodelle Informationen in ihren synaptischen Gewichten, selbst nachdem bis zur Hälfte der künstlichen Neuronen „herausgeschnitten“ worden waren.

Die Paradigmen der anhaltenden Aktivität brachen zusammen, nachdem nur 10-20 Prozent ihrer Synapsen verloren gegangen waren. Manchmal erfordert nur ein plötzlicher Anstieg weniger Energie als anhaltende Schläge, fügte Miller hinzu.

Darüber hinaus, sagte Miller, lassen schnelle Ausbrüche einer plötzlichen Spitze anstelle einer kontinuierlichen Spitze genügend Zeit, um mehr als ein Element im Speicher zu speichern. Untersuchungen haben gezeigt, dass Menschen bis zu vier verschiedene Dinge in ihrem Arbeitsgedächtnis speichern können.

Siehe auch  Es gibt immer noch Herausforderungen, Astronauten zum Mond zu bringen. Die NASA verschiebt den Starttermin erneut

Siehe auch

Millers Labor plant neue Experimente, um festzustellen, ob Modelle mit intermittierender intermittierender Speicherung und Informationen, die auf synaptischem Gewicht basieren, den realen neuronalen Daten angemessen entsprechen, wenn Tiere mehrere Dinge im Auge behalten müssen und nicht nur ein Bild.

Neben Miller, Kozachkov, Tauber und Slotine sind weitere Autoren der Veröffentlichung Mikael Lundqvist und Scott Brincat.

Finanzierung: Das Office of Naval Research und die JPB, ERC und VR Foundation finanzierten die Forschung.

Über diese Neuigkeiten aus der Forschung zur synaptischen Plastizität

Autor: David Orenstein
Quelle: Piccoer Institut für Lernen und Gedächtnis
Kommunikation: David Orenstein – Picquer Institut für Lernen und Gedächtnis
Bild: Das Bild ist gemeinfrei

Ursprüngliche Suche: uneingeschränkter Zugang.
„Starkes, gehirnähnliches Arbeitsgedächtnis durch kurzzeitige synaptische PlastizitätVon Earl K. Miller et al. PLOS Computational Biology

eine Zusammenfassung

Starkes, gehirnähnliches Arbeitsgedächtnis durch kurzzeitige synaptische Plastizität

Es wurde lange angenommen, dass das Arbeitsgedächtnis aus der konstanten Höhen-/Gravitationsdynamik entsteht. Jüngste Arbeiten deuten jedoch darauf hin, dass kurzreichweitige synaptische Plastizität (STSP) dazu beitragen kann, Gravitationszustände über Zeitverzögerungen mit wenig oder keinem Auftrieb aufrechtzuerhalten.

Um festzustellen, ob STSP zusätzliche funktionale Vorteile mit sich bringt, trainierten wir rekurrente künstliche neuronale Netze (RNNs) mit und ohne STSP, um eine Objektarbeitsgedächtnisaufgabe auszuführen. Wir fanden heraus, dass RNNs mit und ohne STSP in der Lage waren, Erinnerungen trotz Ablenkungen zu bewahren, die mitten in der Gedächtnisverzögerung eingeführt wurden.

RNNs mit STSP zeigten jedoch eine ähnliche Aktivität wie im Kortex von nichtmenschlichen Primaten (NHP), die dieselbe Aufgabe ausführen. Im Gegensatz dazu zeigten RNNs ohne STSP weniger gehirnähnliche Aktivität. Darüber hinaus waren RNNs mit STSP robuster gegenüber Netzwerkverschlechterung als RNNs ohne STSP.

Diese Ergebnisse zeigen, dass STSP nicht nur dazu beitragen kann, das Arbeitsgedächtnis zu bewahren, sondern auch neuronale Netze robuster und gehirnähnlicher zu machen.