《PLOS Computational Biology》：Remembering the “when”: Hebbian memory models for the time of past events
编辑推荐：
人类和动物能够记住特定事件发生的时间有多久。关于在情景记忆系统中长期存储的记忆的“何时”记忆的神经机制——与秒和分钟量级的间隔计时相反——知之甚少。基于对神经编码、关联和检索方案的系统性探索，研究人员开发了覆盖过去事件时间重建可能机制空间的模型类。在具体示例中
人类和动物能够记住特定事件发生的时间有多久。关于在情景记忆系统中长期存储的记忆的“何时”记忆的神经机制——与秒和分钟量级的间隔计时相反——知之甚少。基于对神经编码、关联和检索方案的系统性探索，研究人员开发了覆盖过去事件时间重建可能机制空间的模型类。在具体示例中，研究人员展示了网络架构、赫布可塑性、突触修剪或系统巩固如何允许检索过去事件的时间。在一项模拟中，研究人员展示了这些机制如何使储食动物（如鸦科动物）能够记住它们储存了什么、在哪里以及多久以前。为了区分不同假说，研究人员提出了三种新颖的非语言实验，可用于人类和动物。研究人员的模拟预测了不同模型类的实验结果。研究人员的研究表明，记忆“何时”可以通过多种生物学上合理的机制实现，并且需要精心设计的实验来确定不同物种中过去事件时间记忆的实际神经实现。
**论文解读：探索过去事件时间记忆的赫布模型机制**
**研究背景与问题**
人类和动物能够准确判断过去事件发生的时间（例如，昨天、一周前或更久），这种能力是情景记忆（episodic memory）的核心特征之一。然而，与毫秒至分钟量级的间隔计时（interval timing）不同，后者已有多种基于神经元活动模式变化的机制（如起搏器-累积模型、状态依赖网络），对于长达数天至数年的记忆时间信息如何被神经机制存储和提取，目前知之甚少。现有情景记忆模型（如海马模型、系统巩固模型）主要关注“什么”（what）和“哪里”（where）的记忆，而忽略了“何时”（when）的自动重建。因此，该研究旨在从理论角度系统探索可能的神经网络机制，使生物体能够自动重建过去事件的时间信息，并填补这一领域在神经编码、关联、存储和提取方面的理论空白。
**研究内容与结论**
研究人员系统性地探索了神经编码、时间参考点、内容-时间关联、检索和读取机制的不同组合，构建了一个覆盖所有可能机制空间的模型家族。通过具体示例，他们展示了网络架构、赫布可塑性（Hebbian plasticity）、突触修剪（synaptic pruning）或系统巩固（systems consolidation）如何允许检索过去事件的时间。在模拟储食动物（如鸦科动物）的实验中，研究人员展示了这些机制如何使动物记住它们储存了什么、在哪里以及多久以前。他们提出了三种非语言行为实验，用于区分不同模型类，并通过模拟预测了实验结果。研究表明，记忆“何时”可以通过多种生物学上合理的机制实现，且需要结合神经记录和精心设计的行为实验才能确定实际机制。
**主要技术方法**
研究人员采用以下关键方法：1. **神经编码方案**：包括速率编码（rate code）、独热编码（one-hot code）、分布式编码（distributed code）和群体速率编码（population rate code），用于表征“什么”、“哪里”和“何时”信息。2. **时间表征**：区分时间戳表示（timestamp representation，时间相对于固定参考点）和年龄表示（age representation，时间相对于变化参考点），并引入内部或外部授时因子（zeitgeber）驱动时间表征变化。3. **关联机制**：通过拼接（concatenation）、外积（product）或随机投影（random projection）将内容与时间信息关联。4. **存储与检索分离**：利用突触延迟（synaptic delays）或多路径（multiple pathways）机制，或模式切换（mode switching）实现存储与检索的分离。5. **突触可塑性**：采用赫布可塑性（Hebbian plasticity）进行一次性记忆存储，奖励调制的赫布可塑性（reward-modulated Hebbian plasticity）进行行为规则学习，以及突触修剪（synaptic pruning）或突触重组（postsynaptic rewiring）实现年龄编码的时间变化。6. **模拟实验**：在约1000个位置、3种食物类型的储食场景中，使用约20,000次储食事件和40,000次检索测试，测试不同模型性能。
**研究结果**
**2.1 信息表征：可能的编码空间**
通过分析速率编码、独热编码、分布式编码和群体速率编码，研究人员定义了神经活动表征记忆的方式。时间表征分为时间戳编码（固定参考点，如“出生后5个月”）和年龄编码（变化参考点，如“8个月前”）。授时因子可以是内部过程（如突触强度衰减、神经发生）或外部过程（如昼夜节律、季节变化）。
**2.2 关联信息：如何组合什么、哪里和何时**
内容与时间信息可通过拼接（独立神经元组）、外积（张量积绑定，需N×M个神经元）或随机投影（非线性混合）进行关联。不同关联方式对后续读取的灵活性有重要影响。
**2.3 记忆的存储、检索和读取**
检索可通过异联想（hetero-associative）或自联想（auto-associative）网络实现。存储与检索的分离可通过模式切换（如海马θ节律）或多路径（利用不同突触延迟）实现。行为读取依赖于读出架构：独热编码允许直接读取任何规则，而分布式编码需要复杂读出（如多层感知机）或固定预处理转换。
**2.4 情景式记忆系统示例**
- **时间戳标记模型（Context-Tagging）**：通过拼接编码，将当前上下文（“now”神经元）与内容关联，检索时通过比较当前上下文与回忆上下文估算记忆年龄，需要复杂读出。
- **年龄标记模型（Onehot-Age-Tagging 和 Poprate-Age-Tagging）**：通过独热编码或群体速率编码表征年龄，利用突触修剪实现年龄变化，允许简单读出（如阈值比较）。
- **年龄组织模型（Age-Organization）**：通过外积关联内容与独热编码时间，依赖系统巩固机制将记忆在不同层间转移，近似韦伯-费希纳定律（Weber-Fechner law），年龄精度随年龄递减。
- **随机修剪模型（Random-Pruning）**：结合稀疏随机投影、突触延迟和随机突触修剪，内容层神经元活动隐式编码内容与时间，支持灵活学习。
- **储食动物模拟**：在约1000个位置、3种食物类型场景中，Age-Organization和Random-Pruning模型均能快速学习最优策略，超越基线策略。
**2.5 实验预测**
通过模拟学习任务，研究人员发现：
- **泛化实验**：独热编码模型（Age-Organization）无泛化，而分布式编码（Poprate-Age-Tagging、Random-Pruning）有泛化（图9）。
- **年龄依赖任务**：所有模型均可学习，但独热编码可更快（图10）。
- **内容与年龄XOR任务**：标记模型（Context/Onehot-Tagging、Poprate-Age-Tagging）因线性不可分而失败，而Age-Organization和Random-Pruning可学习（图11）。
这些预测表明，仅靠行为实验难以区分时间戳与年龄编码，需结合神经记录。
**讨论与结论**
**讨论**
研究人员系统展示了不同神经编码、时间参考、关联、检索和读取机制可构成一个模型家族，覆盖“何时”记忆的自动重建。尽管具体实现是理想化的“玩具模型”，但相同思想可推广到更大网络和更复杂任务（如储食模拟）。比较了其他理论（如强度理论、时间标记理论、上下文重叠理论等），并指出本工作为前四种理论提供了具体神经实现假说。实验证据方面，一次性赫布可塑性、奖励调制的新赫布可塑性、突触修剪等均有支持，但神经元依赖的修剪速率尚未有直接证据。时间细胞（time cells）可能支持短时间尺度的年龄追踪，而海马CA1区的表征漂移（representational drift）可能支持时间戳机制。稀疏编码（如齿状回颗粒细胞、鸦类海马“条形码”活动）得到间接支持。未来需结合行为与生理记录区分不同假说。
**结论**
记忆“何时”是情景记忆的独特特征。揭示其机制是理解情景记忆系统的关键一步。本文讨论的模型可作为具体假说，模拟实验可作为未来实验的灵感，以结合行为和生理记录揭示人类和动物如何记忆过去事件的时间。
