基于瞬态轨迹的循环神经网络揭示工作记忆编码机制：从模型设计视角支持动态活动理论

为解决工作记忆(WM)编码机制中长期存在的"持续活动吸引子"与"动态瞬态轨迹"理论争议，中国科学院研究人员通过构建具有生物合理性的瞬态循环神经网络(TRNN)，结合延迟选择与空间记忆强化学习任务，发现TRNN不仅更准确模拟动物神经记录中的瞬态活动模式，且表现出更高信息容量与更低能耗。该研究为理解WM的动态编码机制提供了计算模型证据，发表于《Communications Biology》。

　　

工作记忆(Working Memory, WM)作为大脑临时存储和处理信息的核心认知功能，其神经编码机制长期存在两大理论阵营的争论：一方认为WM通过神经元群体的持续放电活动(persistent activity)维持，类似于动力系统的吸引子状态；另一方则主张信息编码于动态变化的瞬态轨迹(transient trajectory)中。这场持续数十年的争论在实验和计算模型研究中均未达成共识，而现有神经网络模型往往只能模拟其中一种模式，缺乏直接比较两种编码机制记忆性能的研究。

中国科学院的研究团队在《Communications Biology》发表的研究中，创新性地构建了瞬态轨迹循环神经网络(Transient-trajectory-based RNN, TRNN)，通过三项生物合理性改造——神经元自抑制(self-inhibition)、稀疏连接(sparse connection)和感觉-联合-运动区的层级拓扑(hierarchical topology)，成功复现了动物实验中观察到的瞬态神经活动特征。研究团队设计定量指标"瞬态指数"(Transient Index, TI)系统比较了TRNN与传统RNN的性能差异，发现TRNN不仅更准确模拟小鼠嗅觉延迟配对关联任务(ODPA)中的神经活动模式，在可变延迟时间和多项目记忆任务中也展现出显著优势。

关键技术方法包括：1) 基于Neuropixel记录的33,208个小鼠神经元活动数据构建计算模型；2) 设计包含自抑制模块的TRNN架构，通过微分方程模拟神经元适应性放电；3) 采用混合监督学习与强化学习框架，在ODPA和网格世界导航任务中测试模型；4) 运用解混主成分分析(dPCA)解码神经表征动态。

研究结果部分，"Reproduce transient trajectory in neural activity pattern with TRNNs"显示，TRNN的TI值(3.42±0.15)显著高于传统RNN(1.89±0.11)，且38.2%的神经元表现出刺激选择性，与小鼠实验数据(32.6%)高度吻合。层级拓扑结构使TI提升42%，证实生物神经网络的区域特异性连接对瞬态编码的关键作用。

"TRNN maintains memory for a variable amount of time"部分通过改变延迟期长度(3-6秒)发现，虽然记忆神经元在长延迟试验中会额外招募基线组和测试响应组神经元，但dPCA显示样本气味信息始终通过动态轨迹保持分离。连接权重分析揭示前馈连接强度是反馈连接的2.3倍，这种不对称性支撑了神经活动的级联传递。

"Information richness and energy cost"量化分析表明，当TI从1.5增至3.5时，网络信息熵提升67%，而平均放电率平方(能量消耗指标)下降至传统RNN的53%。这种"高效编码"特性在"TRNN performs better in simulated WM tasks"中得到验证：在含干扰信号的方向跟随任务中，TRNN正确率比RNN高28%；在多方向记忆任务中可稳定保持6个序列项目，显示更大记忆容量；在水迷宫空间导航任务中，TRNN智能体第三次找到平台的时间比首次缩短61%，而RNN无显著改进。

讨论部分指出，该研究首次在统一框架下比较了WM两种编码理论的性能差异。TRNN通过自抑制实现局部神经元的瞬态放电，通过层级连接组织全局信息流，这种机制与大脑中观察到的"胜者无休"(winnerless competition)动力学和异宿轨道(heteroclinic orbits)理论相符。研究为理解前额叶皮层等脑区的动态编码提供了新视角，其设计的TI指标可应用于其他神经动力学分析。未来可结合短期突触可塑性(STP)机制，探索瞬态活动与沉默态(activity-silent)记忆的协同作用。

这项研究突破传统模型仅关注活动模式拟合的局限，从计算功能角度证明瞬态轨迹编码在记忆容量、能耗效率和任务灵活性上的优势，为脑启发人工智能架构设计提供了新思路。正如作者强调，理解WM机制对开发类脑学习算法和认知障碍干预策略具有双重意义，后续可将该框架拓展至工作记忆与长时记忆交互的研究。