Användbarheten av ett minne vägleder var hjärnan sparar det | Quanta Magazine

Minnet representerar inte ett enda vetenskapligt mysterium; det är många av dem. Neurovetenskapsmän och psykologer har kommit att känna igen olika typer av minne som samexisterar i vår hjärna: episodiska minnen av tidigare erfarenheter, semantiska minnen av fakta, kort- och långtidsminnen och mer. Dessa har ofta olika egenskaper och verkar till och med vara placerade i olika delar av hjärnan. Men det har aldrig varit klart vilken egenskap hos ett minne som avgör hur eller varför det ska sorteras på detta sätt.

Nu föreslår en ny teori som backas upp av experiment med artificiella neurala nätverk att hjärnan kan sortera minnen genom att utvärdera hur sannolikt det är att de kommer att vara användbara som guider i framtiden. I synnerhet tyder det på att många minnen av förutsägbara saker, allt från fakta till användbara återkommande upplevelser – som vad du regelbundet äter till frukost eller din promenad till jobbet – sparas i hjärnans neocortex, där de kan bidra till generaliseringar om världen. Minnen med mindre sannolikhet att vara användbara - som smaken av den unika drinken du hade på den där festen - förvaras i den sjöhästformade minnesbanken som kallas hippocampus. Att aktivt segregera minnen på detta sätt baserat på deras användbarhet och generaliserbarhet kan optimera minnens tillförlitlighet för att hjälpa oss att navigera i nya situationer.

Författarna till den nya teorin - neuroforskarna Weinan Sun och James Fitzgerald vid Janelia Research Campus vid Howard Hughes Medical Institute, Andrew Saxe från University College London och deras kollegor — beskrev det i ett nyligen uppsats in Nature Neuroscience. Den uppdaterar och utökar den väletablerade idén att hjärnan har två sammanlänkade, kompletterande inlärningssystem: hippocampus, som snabbt kodar ny information, och neocortex, som gradvis integrerar den för långtidslagring.

James McClelland, en kognitiv neuroforskare vid Stanford University som var banbrytande för idén om komplementära inlärningssystem i minnet men inte var en del av den nya studien, påpekade att den "tar upp aspekter av generalisering" som hans egen grupp inte hade tänkt på när de föreslog teorin i mitten av 1990-talet.

Forskare har insett att minnesbildning är en process i flera steg sedan åtminstone tidigt 1950-tal, delvis från deras studier av en patient som heter Henry Molaison - känd i decennier i den vetenskapliga litteraturen endast som HM eftersom han led av okontrollerbara anfall som har sitt ursprung i hans hippocampus , behandlade kirurger honom genom att ta bort det mesta av den hjärnstrukturen. Efteråt verkade patienten ganska normal i de flesta avseenden: hans ordförråd var intakt; han behöll sina barndomsminnen och han kom ihåg andra detaljer i sitt liv från före operationen. Men han glömde alltid bort att sköterskan tog hand om honom. Under det decennium hon tog hand om honom var hon tvungen att presentera sig själv på nytt varje morgon. Han hade helt tappat förmågan att skapa nya långtidsminnen.

Molaisons symtom hjälpte forskare att upptäcka att nya minnen först bildades i hippocampus och sedan gradvis överfördes till neocortex. Ett tag antogs det allmänt att detta hände för alla ihållande minnen. Men när forskare började se en växande antal av exempel på minnen som förblev beroende av hippocampus på lång sikt blev det tydligt att något annat var på gång.

För att förstå orsaken bakom denna anomali vände sig författarna till det nya dokumentet till artificiella neurala nätverk, eftersom funktionen hos miljontals sammanflätade neuroner i hjärnan är outgrundligt komplicerad. Dessa nätverk är "en ungefärlig idealisering av biologiska neuroner" men är mycket enklare än den äkta varan, sa Saxe. Liksom levande neuroner har de lager av noder som tar emot data, bearbetar det och sedan ger viktade utdata till andra lager i nätverket. Precis som neuroner påverkar varandra genom sina synapser, justerar noderna i artificiella neurala nätverk sina aktivitetsnivåer baserat på input från andra noder.

Teamet kopplade samman tre neurala nätverk med olika funktioner för att utveckla en beräkningsram som de kallade lärare-anteckningsbok-elev-modellen. Lärarnätverket representerade den miljö som en organism kan befinna sig i; det gav erfarenheter. Nätverket för bärbara datorer representerade hippocampus och kodade snabbt alla detaljer i varje upplevelse läraren gav. Elevnätverket tränade på mönstren från läraren genom att konsultera vad som antecknades i anteckningsboken. "Målet med elevmodellen är att hitta neuroner - noder - och lära sig kopplingar [som beskriver] hur de kan återskapa sitt aktivitetsmönster," sa Fitzgerald.

De upprepade uppspelningarna av minnen från notebook-nätverket förde elevnätverket till ett allmänt mönster genom felkorrigering. Men forskarna märkte också ett undantag från regeln: om eleven tränades på för många oförutsägbara minnen - brusiga signaler som avvek för mycket från resten - försämrade det elevens förmåga att lära sig det generaliserade mönstret.

Ur en logisk synvinkel, "det här är mycket vettigt", sa Sun. Föreställ dig att ta emot paket hemma hos dig, förklarade han: Om paketet innehåller något användbart för framtiden, "som kaffemuggar och fat", låter det rimligt att ta med det in i ditt hem och förvara det där permanent. Men om paketet innehåller en Spider-Man-dräkt för en halloweenfest eller en broschyr för försäljning, finns det ingen anledning att belamra huset med det. Dessa föremål kan förvaras separat eller slängas.

Studien ger en intressant konvergens mellan systemen som används inom artificiell intelligens och de som används för att modellera hjärnan. Det här är ett fall där "teorin om de artificiella systemen gav några nya konceptuella idéer att tänka på minnen i hjärnan," sa Saxe.

Det finns till exempel paralleller till hur datoriserade system för ansiktsigenkänning fungerar. De kan börja med att uppmana användare att ladda upp högupplösta bilder av sig själva från olika vinklar. Anslutningar inom det neurala nätverket kan sätta ihop en allmän uppfattning om hur ansiktet ser ut från olika vinklar och med olika uttryck. Men om du råkar ladda upp ett foto som "innehåller ansiktet på din vän i det, så kan systemet inte identifiera en förutsägbar ansiktskartläggning mellan de två", sa Fitzgerald. Det skadar generaliseringen och gör systemet mindre exakt när det gäller att känna igen det normala ansiktet.

Dessa bilder aktiverar specifika ingångsneuroner och aktivitet flödar sedan genom nätverket och justerar anslutningsvikterna. Med fler bilder justerar modellen ytterligare anslutningsvikterna mellan noder för att minimera utmatningsfel.

Men bara för att en upplevelse är ovanlig och inte passar in i en generalisering, betyder det inte att den ska kasseras och glömmas. Tvärtom kan det vara mycket viktigt att komma ihåg exceptionella upplevelser. Det verkar vara anledningen till att hjärnan sorterar sina minnen i olika kategorier som lagras separat, med neocortex som används för tillförlitliga generaliseringar och hippocampus för undantag.

Denna typ av forskning ökar medvetenheten om "det mänskliga minnets felbarhet", sa McClelland. Minnet är en ändlig resurs, och biologin har varit tvungen att kompromissa för att utnyttja de begränsade resurserna på bästa sätt. Inte ens hippocampus innehåller ett perfekt register över upplevelser. Varje gång en upplevelse återkallas sker förändringar i nätverkets anslutningsvikter, vilket gör att minneselementen blir mer genomsnittliga. Det väcker frågor om omständigheterna under vilka "ögonvittnesvittnesmål [kan] skyddas från partiskhet och inflytande från upprepade angrepp av frågor", sa han.

Modellen kan också ge insikter i mer grundläggande frågor. "Hur bygger vi upp tillförlitlig kunskap och fattar välgrundade beslut?" sa James Antony, en neuroscientist vid California Polytechnic State University som inte var involverad i studien. Det visar vikten av att utvärdera minnen för att göra tillförlitliga förutsägelser - mycket bullriga data eller opålitlig information kan vara lika olämpliga för att träna människor som för att träna AI-modeller.