无表征记忆的认知重塑：基于微量痕迹恢复范畴化与组合性的神经计算研究

来自多学科交叉领域的研究人员通过神经计算建模，揭示了大脑在缺乏传统表征记忆(representational memory)时，如何从微量神经痕迹中重建范畴化(categoricity)和组合性(compositionality)的认知机制。该研究为理解记忆障碍疾病的神经基础提供了新视角，并启发了类脑计算架构的设计。

　　

这项突破性研究探索了大脑在缺失传统表征记忆(representational memory)系统时，如何通过神经计算(neuro-computational)机制实现高级认知功能。研究发现，即使仅保留微量神经活动痕迹(minimal traces)，神经网络仍能自发重组并恢复范畴化(categoricity)和组合性(compositionality)这两种核心认知能力。

通过构建多层脉冲神经网络模型(spiking neural network)，研究人员模拟了海马体(hippocampus)与前额叶皮层(PFC)的协同工作机制。有趣的是，当模型去除传统记忆存储单元后，网络通过突触可塑性(synaptic plasticity)的动态调整，在β-γ振荡(beta-gamma oscillations)的调控下，仍能对输入信息进行范畴分类并生成组合式表征。

该发现为理解阿尔茨海默病(Alzheimer's disease)等记忆障碍疾病的代偿机制提供了新思路，同时为开发新型神经形态计算(neuromorphic computing)架构带来启示——证明类脑智能可能无需依赖传统计算机的显式存储模块。研究数据表明，这种基于痕迹的计算模式在能耗效率上比传统记忆系统降低约37%，展现了生物神经系统的进化优势。