Полезность памяти указывает, где мозг ее сохраняет | Журнал Кванта

Память не представляет собой единой научной загадки; их много. Нейробиологи и психологи пришли к выводу, что в нашем мозгу сосуществуют различные типы памяти: эпизодические воспоминания о прошлом опыте, семантические воспоминания о фактах, краткосрочные и долгосрочные воспоминания и многое другое. Они часто имеют разные характеристики и даже кажутся расположенными в разных частях мозга. Но никогда не было ясно, какая особенность памяти определяет, как и почему ее следует сортировать таким образом.

Теперь новая теория, подкрепленная экспериментами с использованием искусственных нейронных сетей, предполагает, что мозг может сортировать воспоминания, оценивая, насколько вероятно, что они будут полезны в качестве ориентиров в будущем. В частности, это предполагает, что многие воспоминания о предсказуемых вещах, начиная от фактов и заканчивая полезным повторяющимся опытом (например, о том, что вы регулярно едите на завтрак или идете на работу), сохраняются в неокортексе мозга, где они могут способствовать обобщениям о мире. Воспоминания, которые вряд ли могут оказаться полезными (например, вкус того уникального напитка, который вы выпили на той вечеринке), хранятся в банке памяти в форме морского конька, называемом гиппокампом. Такое активное разделение воспоминаний на основе их полезности и обобщаемости может повысить надежность воспоминаний, помогая нам ориентироваться в новых ситуациях.

Авторы новой теории — нейробиологи Вэйнань Сан и Джеймс Фицджеральд исследовательского кампуса Джанелия Медицинского института Говарда Хьюза, Эндрю Сакс из Университетского колледжа Лондона и их коллеги — описали это в недавняя статья in Nature Neuroscience. Он обновляет и расширяет устоявшуюся идею о том, что мозг имеет две связанные, дополняющие друг друга системы обучения: гиппокамп, который быстро кодирует новую информацию, и неокортекс, который постепенно интегрирует ее для долгосрочного хранения.

Джеймс Макклелланд, когнитивный нейробиолог из Стэнфордского университета, который первым выдвинул идею дополнительных систем обучения памяти, но не участвовал в новом исследовании, заметил, что оно «затрагивает аспекты обобщения», о которых его собственная группа не думала, когда предлагала теорию в середина 1990-х годов.

Ученые признали, что формирование памяти представляет собой многоэтапный процесс, по крайней мере, с начала 1950-х годов, отчасти на основе исследований пациента по имени Генри Молисон, десятилетиями известного в научной литературе только как HM, поскольку он страдал от неконтролируемых припадков, возникших в его гиппокампе. хирурги лечили его, удалив большую часть этой структуры мозга. После этого пациент во многих отношениях выглядел вполне нормальным: его словарный запас был нетронутым; он сохранил свои детские воспоминания и другие подробности своей жизни до операции. Однако он всегда забывал о медсестре, которая заботилась о нем. В течение десяти лет, пока она заботилась о нем, ей приходилось каждое утро представляться заново. Он полностью утратил способность создавать новые долговременные воспоминания.

Симптомы Молейсона помогли ученым обнаружить, что новые воспоминания сначала формируются в гиппокампе, а затем постепенно передаются в неокортекс. Некоторое время считалось, что это происходит со всеми стойкими воспоминаниями. Однако как только исследователи начали видеть Все большее число Из примеров воспоминаний, которые оставались зависимыми от гиппокампа в долгосрочной перспективе, стало ясно, что происходит нечто иное.

Чтобы понять причину этой аномалии, авторы новой статьи обратились к искусственным нейронным сетям, поскольку функция миллионов переплетенных нейронов в мозге непостижимо сложна. Эти сети представляют собой «приблизительную идеализацию биологических нейронов», но они намного проще, чем реальная вещь, сказал Сакс. Как и живые нейроны, они имеют слои узлов, которые получают данные, обрабатывают их, а затем предоставляют взвешенные выходные данные другим уровням сети. Подобно тому, как нейроны влияют друг на друга через свои синапсы, узлы в искусственных нейронных сетях корректируют уровни своей активности на основе входных данных от других узлов.

Команда связала три нейронные сети с различными функциями, чтобы разработать вычислительную структуру, которую они назвали моделью учитель-тетрадь-ученик. Сеть учителей представляла собой среду, в которой мог оказаться организм; это обеспечило вклад опыта. Сеть блокнотов представляла собой гиппокамп, быстро кодирующий все детали каждого опыта, полученного учителем. Студенческая сеть тренировалась по шаблонам учителя, сверяясь с тем, что было записано в тетради. «Цель модели студента — найти нейроны — узлы — и изучить связи, [описывающие], как они могут восстановить свою модель активности», — сказал Фицджеральд.

Повторяющиеся повторы воспоминаний из сети записных книжек привели студенческую сеть к общей схеме посредством исправления ошибок. Но исследователи также заметили исключение из правила: если студента обучали слишком большому количеству непредсказуемых воспоминаний — шумных сигналов, которые слишком сильно отличались от остальных, — это ухудшало способность студента запоминать обобщенную модель.

С логической точки зрения «это имеет большой смысл», — сказал Сан. Представьте себе, что вы получаете посылки у себя дома, объяснил он: если в посылке есть что-то полезное на будущее, «например, кофейные кружки и посуда», разумно принести это в свой дом и хранить там постоянно. Но если в посылке находится костюм Человека-Паука для вечеринки в честь Хэллоуина или брошюра на распродажу, не нужно захламлять ею дом. Эти предметы можно хранить отдельно или выбросить.

Исследование демонстрирует интересную конвергенцию между системами, используемыми в искусственном интеллекте, и системами, используемыми для моделирования мозга. Это тот случай, когда «теория этих искусственных систем дала некоторые новые концептуальные идеи для размышлений о воспоминаниях в мозге», — сказал Сакс.

Есть параллели, например, с тем, как работают компьютеризированные системы распознавания лиц. Они могут начать с предложения пользователям загружать свои изображения в высоком разрешении под разными углами. Связи внутри нейронной сети могут собрать воедино общее представление о том, как выглядит лицо под разными углами и с разными выражениями. Но если вы загрузите фотографию, «содержащую лицо вашего друга, система не сможет определить предсказуемое сопоставление лиц между ними», — сказал Фицджеральд. Это вредит обобщению и делает систему менее точной при распознавании нормального лица.

Эти изображения активируют определенные входные нейроны, а затем активность течет по сети, регулируя веса соединений. При наличии большего количества изображений модель дополнительно корректирует веса соединений между узлами, чтобы минимизировать ошибки вывода.

Но то, что опыт необычен и не укладывается в обобщение, не означает, что его следует отбросить и забыть. Напротив, может быть жизненно важно помнить исключительный опыт. Вероятно, именно поэтому мозг сортирует свои воспоминания по разным категориям, которые хранятся отдельно: неокортекс используется для надежных обобщений, а гиппокамп — для исключений.

Подобные исследования повышают осведомленность об «ошибочности человеческой памяти», сказал Макклелланд. Память — ограниченный ресурс, и биологии пришлось пойти на компромисс, чтобы наилучшим образом использовать ограниченные ресурсы. Даже гиппокамп не содержит полной записи переживаний. Каждый раз, когда вспоминается опыт, веса соединений в сети меняются, в результате чего элементы памяти становятся более усредненными. Это поднимает вопросы об обстоятельствах, при которых «показания очевидцев [могут] быть защищены от предвзятости и влияния неоднократных нападений запросов», сказал он.

Модель может также дать представление о более фундаментальных вопросах. «Как нам накопить надежные знания и принять обоснованные решения?» сказал Джеймс Энтони, нейробиолог из Калифорнийского политехнического государственного университета, не принимавший участия в исследовании. Это показывает важность оценки воспоминаний для получения надежных прогнозов — большое количество зашумленных данных или ненадежной информации может быть столь же непригодным для обучения людей, как и для обучения моделей ИИ.