정보를 염두에 둔다는 것은 시냅스 사이에 정보를 저장하는 것을 의미할 수 있습니다. 날짜: 2022년 12월 29일 원천: MIT의 Picower 연구소 요약: 연구자들은 작업 기억 모델을 실제 데이터와 비교하여 정보가 지속적인 신경 활동이 아니라 연결 패턴에 있음을 발견했습니다.
카페의 메뉴판에서 Wi-Fi 비밀번호를 읽는 시간과 노트북으로 돌아가 입력할 수 있는 시간 사이에 마음에 새겨두어야 합니다. 뇌가 어떻게 그렇게 하는지 궁금한 적이 있다면 연구자들이 수십 년 동안 설명하기 위해 노력해 온 작업 기억에 대해 질문하고 있는 것입니다. 이제 MIT 신경과학자들은 그것이 어떻게 작동하는지 설명하는 핵심적인 새로운 통찰력을 발표했습니다.
PLOS Computational Biology 의 한 연구에서 학습 및 기억을 위한 Picower 연구소의 과학자들은 작업 기억 작업을 수행하는 동물의 뇌 세포 활동 측정을 마음에 정보를 유지하기 위한 기본 메커니즘의 두 가지 이론을 나타내는 다양한 컴퓨터 모델의 출력과 비교했습니다. . 그 결과는 뉴런 네트워크가 연결 또는 시냅스의 패턴을 일시적으로 변경하여 정보를 저장한다는 새로운 개념을 강력하게 지지했으며 기억이 지속적으로 활성화된 뉴런에 의해 유지된다는 전통적인 대안(예: 유휴 엔진)과 모순되었습니다. ).
두 모델 모두 정보를 염두에 둘 수 있었지만, 시냅스가 일시적으로 연결을 변경하도록 허용한 버전("단기 시냅스 가소성")만이 실제 작동 중인 뇌에서 실제로 관찰되는 것을 모방한 신경 활동 패턴을 생성했습니다. 뇌 세포가 항상 "켜져" 있기 때문에 기억을 유지한다는 생각은 더 간단할 수 있지만 수석 저자인 Earl K. Miller는 인정하지만 자연이 하는 일을 나타내지 않으며 간헐적 사고에서 발생할 수 있는 정교한 사고 유연성을 생성할 수 없습니다. 단기 시냅스 가소성에 의해 뒷받침되는 신경 활동.
"작업 기억 활동에 유연성이 필요한 자유를 부여하려면 이러한 종류의 메커니즘이 필요합니다. "작업기억이 단지 지속적인 활동이라면 전등 스위치처럼 간단할 것입니다. 그러나 작업기억은 우리의 생각만큼 복잡하고 역동적입니다."
이 연구를 포함한 이론적 모델링 작업으로 11월에 MIT에서 박사 학위를 취득한 공동 저자인 Leo Kozachkov는 컴퓨터 모델을 실제 데이터와 일치시키는 것이 중요하다고 말했습니다.
"대부분의 사람들은 작업 기억이 뉴런에서 '일어난다'고 생각합니다. 지속적인 신경 활동은 지속적인 생각을 유발합니다. 그러나 이 견해는 데이터와 실제로 일치하지 않기 때문에 최근 정밀 조사를 받고 있습니다."라고 공동 감독을 받은 Kozachkov는 말했습니다. BCS 및 기계 공학 교수인 공동 선임 저자인 Jean-Jacques Slotine이 작성했습니다. "단기 시냅스 가소성을 가진 인공 신경망을 사용하여 우리는 (신경 활동 대신) 시냅스 활동이 작업 기억의 기질이 될 수 있음을 보여줍니다. 우리 논문에서 중요한 점은 다음과 같습니다. 이러한 '가소성' 신경망 모델은 양적 의미에서와 같이 견고성 측면에서 추가적인 기능적 이점도 있습니다."
자연과 어울리는 모델
MIT 대학원생인 공동 저자인 John Tauber와 함께 Kozachkov의 목표는 작업 기억 정보가 어떻게 기억될 수 있는지 결정하는 것뿐만 아니라 자연이 실제로 수행하는 방식을 밝히는 것이었습니다. 그것은 작업 기억 게임을 할 때 동물의 전두엽 피질에 있는 수백 개의 뉴런의 전기적 "스파이킹" 활동의 "실측" 측정에서 시작하는 것을 의미했습니다. 많은 라운드마다 동물에게 이미지가 보여졌다가 사라졌습니다. 잠시 후 원본을 포함하여 두 개의 이미지가 표시되고 약간의 보상을 얻기 위해 원본을 봐야 했습니다. 중요한 순간은 테스트에 앞서 이미지를 염두에 두어야 하는 "지연 기간"이라고 하는 중간 순간입니다.
팀은 Miller의 실험실에서 이전에 여러 번 본 것을 일관되게 관찰했습니다. 뉴런은 원본 이미지를 볼 때 많이 급증하고, 지연 동안 간헐적으로만 급증한 다음 테스트 중에 이미지를 불러와야 할 때 다시 급증합니다(이러한 역학은 베타 및 감마 주파수 뇌 리듬의 상호 작용). 즉, 스파이킹은 정보를 처음 저장해야 할 때와 정보를 불러와야 할 때 강력하지만 유지해야 할 경우에만 산발적입니다. 스파이킹은 지연 동안 지속되지 않습니다.
또한 팀은 스파이킹 활동 측정에서 작업 메모리 정보를 읽을 수 있도록 소프트웨어 "디코더"를 훈련했습니다. 스파이킹이 높을 때는 정확도가 높았지만 지연 기간처럼 낮을 때는 그렇지 않았습니다. 이것은 스파이킹이 지연 동안 정보를 나타내지 않는다는 것을 제안했습니다. 그러나 그것은 중요한 질문을 제기했습니다. 스파이킹이 정보를 염두에 두지 않는다면 무엇을 합니까?
옥스포드 대학의 Mark Stokes를 비롯한 연구자들은 시냅스의 상대적인 강도 또는 "가중치"의 변화가 대신 정보를 저장할 수 있다고 제안했습니다. MIT 팀은 각 주요 이론의 두 가지 버전을 구현하는 신경망을 계산적으로 모델링하여 이 아이디어를 테스트했습니다. 실제 동물과 마찬가지로 기계 학습 네트워크는 동일한 작업 기억 작업을 수행하고 디코더에서 해석할 수 있는 신경 활동을 출력하도록 훈련되었습니다.
결론은 정보를 인코딩하기 위해 단기 시냅스 가소성을 허용하는 계산 네트워크가 실제 뇌가 급증할 때 급증하고 그렇지 않을 때 그렇지 않다는 것입니다. 기억을 유지하기 위한 방법으로 지속적인 스파이킹을 특징으로 하는 네트워크는 자연적인 뇌가 그렇지 않은 경우를 포함하여 항상 급증했습니다. 그리고 디코더 결과는 시냅스 가소성 모델에서 지연 기간 동안 정확도가 떨어졌지만 지속적 스파이킹 모델에서는 부자연스럽게 높게 유지됨을 보여주었습니다.
다른 분석 계층에서 팀은 시냅스 가중치에서 정보를 읽는 디코더를 만들었습니다. 그들은 지연 기간 동안 시냅스가 스파이킹이 하지 않는 작업 기억 정보를 나타낸다는 것을 발견했습니다.
단기 시냅스 가소성을 특징으로 하는 두 가지 모델 버전 중에서 가장 현실적인 버전은 신경망을 안정적이고 견고하게 유지하는 부정적인 피드백 루프를 특징으로 하는 "PS-Hebb"라고 Kozachkov는 말했습니다.
작업기억의 작용
자연과 더 잘 일치하는 것 외에도 시냅스 가소성 모델은 실제 뇌에 중요한 다른 이점도 부여했습니다. 하나는 가소성 모델이 인공 뉴런의 절반이 "절제"된 후에도 시냅스 가중치에 정보를 유지한다는 것입니다. 지속적인 활동 모델은 시냅스의 10~20%만 손실된 후에 고장났습니다. 그리고 밀러는 가끔 스파이킹만 하는 것이 지속적으로 스파이킹하는 것보다 에너지가 덜 필요하다고 덧붙였습니다.
또한 밀러는 지속적인 스파이킹보다는 빠른 스파이킹이 메모리에 하나 이상의 항목을 저장할 시간적 여유를 남긴다고 말했습니다. 연구에 따르면 사람들은 작업 기억에 최대 4가지 다른 것을 저장할 수 있습니다. Miller의 연구실은 동물이 하나의 이미지가 아니라 여러 가지를 염두에 두어야 할 때 간헐적 스파이킹 및 시냅스 가중치 기반 정보 저장이 있는 모델이 실제 신경 데이터와 적절하게 일치하는지 여부를 결정하기 위한 새로운 실험을 계획하고 있습니다.