《Chaos, Solitons & Fractals》:The geometry of neural representation: From neural tuning to manifold geometry
编辑推荐:
神经活动通过低维神经manifolds组织高维信息,影响连续变量编码、类别区分和行为表现。研究构建理论建模、多目标优化和大规模模拟的统一框架,揭示神经元调谐参数与manifolds几何结构(曲率、维度、局部结构)的关联,并证明结构约束下调谐模式自动成为多目标优化最优解,平衡表征精度、代谢成本和信息冗余。人工系统应用几何约束后,神经元调谐更符合生物学特性,连续表征精度和保真度显著提升。
朱俊才|朱敏杰|吴鹏|何庆志|王江涛|牛晓珂|王志忠
中国郑州大学电气与信息工程学院
摘要
神经活动本质上是高维的,但它通常会自组织成低维的神经流形,这些流形能够捕捉视觉刺激之间的关系结构,并支持感知和认知。尽管这一框架为对象表示提供了定量基础,但神经元调谐生成这些流形的机制及其对行为表现的影响仍不甚明了。在这里,我们提出了一个统一的分析框架,整合了理论建模、多目标优化和大规模模拟,以阐明在神经流形理论下的对象表示。通过系统地操纵神经元调谐参数,该框架揭示了神经元调谐如何产生神经流形,以及这些流形如何反过来塑造对象表示的信息分布和行为表现,从而解释了连续变量编码、分类判别和不变表示等关键神经功能。
引言
大脑的一个核心功能是将连续的感官输入转化为结构化的内部表示,以指导行为和决策[1]。一个关键挑战是阐明神经群体如何组织这些信息以支持感知和认知。尽管神经响应本质上是高维的,但越来越多的证据表明,它们通常存在于称为神经流形的低维、结构化的几何形式中[2],[3]。在这种观点下,外部刺激被映射到几何对象上,其拓扑结构编码了它们之间的相对距离,并限制了诸如类别分离和不变识别等计算。通过将局部神经元调谐与全局表示几何联系起来,神经流形框架提供了一种统一的方式来解释视觉系统如何在复杂的感知任务中实现高效编码。
神经元调谐描述了神经元如何选择性地响应特定刺激,并作为感知编码的基本单元。在视觉系统中,调谐特性沿着皮层层次结构发展:早期视觉神经元主要编码基本特征,如方向和空间频率[4],[5],而高级神经元则对复杂形状、面部视图和抽象类别表现出选择性[6],[7],[8]。这些调谐特征不仅塑造了单个神经元的响应,而且通过它们的群体级组织,定义了高维神经表示空间的几何结构。先前的研究表明,调谐曲线的宽度和其分布的密度共同决定了群体编码的精度和工作记忆的容量[9]。在神经动态层面,周期性和非周期性频谱成分的分解进一步揭示了神经元调谐如何调节群体活动结构。振荡幅度的变化和非周期性频谱斜率的变化反映了神经兴奋性和整合状态的调整,从而影响了群体编码的效率和稳定性[10]。此外,频谱功率和功能连接性的协调变化表明,局部调谐特性可以通过网络耦合机制塑造大规模群体活动[11]。然而,目前尚不清楚特定的神经元调谐配置是如何生成这些几何结构的,以及这些结构又是如何支持稳健的对象表示的。这一知识空白限制了我们对神经系统如何在竞争的功能需求下实现高效和适应性感知的更深入理解。
在神经流形框架内,群体活动被视为嵌入在高维神经空间中的低维流形。该流形的几何特性——包括其曲率、维度和局部结构——直接塑造了感知和认知功能,影响了连续变量编码的精度、类别判别和不变识别[12]。例如,视觉领域的群体响应在高维空间中产生了可解释的拓扑图[13],猴子颞下皮层中的对象类别在这些流形内组织成簇状的几何结构[14]。最近的研究表明,群体活动的空间-频谱表示形成了结构化的低维轨迹,不同的刺激占据流形中的可分离区域,从而实现了精确的神经解码[15]。神经流形学习利用无监督嵌入从高维活动中提取稳定的低维表示,支持了对刺激或行为变量的可靠解码,并揭示了可分离性的几何约束[16]。理论工作进一步表明,流形半径和内在维度等关键属性对分类和可分离性施加了定量限制[17]。尽管取得了这些进展,但将神经元调谐与流形几何联系起来,进而与行为结果联系起来的机制仍然不甚明了。澄清这些联系对于统一解释表示几何如何通过协调的神经元调谐支持灵活和适应性的视觉行为至关重要。
在这项研究中,我们系统地研究了不同的神经元调谐配置如何产生特定的神经表示几何结构,并探讨了这种几何结构如何支持连续变量感知、类别判别和不变表示。为了解决这些问题,我们构建了一个集成的计算框架,该框架结合了理论建模、多目标优化和大规模模拟。该框架使得可以控制地操纵调谐特性和嵌入方案,以评估它们对流形拓扑、信息编码效率和行为输出的影响。通过这种基于几何的视角,我们旨在建立一个统一的框架,以理解神经系统如何在竞争的功能需求下实现高效和适应性的感知。
神经元调谐的参数模型
我们使用圆形高斯函数来表征单个神经元对视觉角度的调谐
。第$i$个神经元对角度$\theta$的响应定义为:
\math/r_i(\theta) = A_i \exp\left(-\frac{1}{2} \frac{d_{\circ}\theta \mu_i \sigma_i\right),其中$\alpha_i$表示调谐幅度,$\mu_i$表示偏好角度,$\sigma_i$表示调谐宽度,$d_{\circ}\theta$表示0°~360°环上的圆形距离。
\math/R_i\)表示来自$n$个神经元的响应矩阵,$n=5$,覆盖了360个离散的视角。