记忆印迹的可行概率与图模型

《Frontiers in Computational Neuroscience》：A feasible probability and graph model for memory engrams

　　

长期记忆（long-term memory, LTM）的容量似乎极其庞大，能够存储跨越几乎一生的信息。为何它具有如此巨大的容量？为何某些记忆如此持久？长期记忆的实际物理形式是什么？在电影《头脑特工队》中，它被描述为包含信息的独立球体。事实果真如此吗？仅通过解释皮层拥有大量神经元、众多神经连接以及它们之间复杂的电化学活动，并不足以回答这些基本问题。研究人员需要揭示隐藏在这些现象背后的理论。本质上，神经网络等价于一个非常大的有向图（directed graph），具有海量的节点和有向连接。本文提出，长期记忆的物理形式是该复杂有向图中的一个连通子图（connected subgraph）。该子图能够将分散在不同感觉皮层中同一事件的碎片连接起来，形成关联。这为印迹理论（engram theory）提供了物理实现。连通子图的鲁棒性及其消耗的资源可以解释各种记忆行为。基于解剖学、脑成像和电生理学证据，本文构建了一个概率连接模型（probabilistic connectivity model），并利用图论（graph theory）定理证明了构建连通子图的易行性。最后，解释了为何记忆的潜在容量是巨大的。
意义声明：理解长期记忆的物理基础仍是神经科学最深层的谜团之一。本研究提出了一种新颖的理论框架，将大脑建模为一个大型有向图，其中每个记忆对应一个连接子图，将分布式的感觉表征连接起来。通过结合图论与神经解剖学和电生理学证据，该工作为长期记忆为何表现出巨大容量和持久性提供了定量解释。这种方法桥接了抽象的神经动力学与具体的物理结构，为理解大脑如何跨时间组织、存储和稳定经验提供了新视角。

## 论文解读：记忆印迹的可行概率与图模型

### 研究背景与问题

长期记忆的容量和持久性一直是神经科学的核心谜题。尽管数字存储（如硬盘）的物理形式清晰明确，但大脑中信息的物理存储形式仍不明确。现有研究在行为层面（如Atkinson的多重存储模型）和神经生物学层面（如印迹细胞研究）取得了进展，但两者之间缺乏算法层面的桥梁。印迹理论（engram theory）认为，特定记忆由一组被激活的神经元（印迹细胞）物理表征，但这些细胞分散在不同感觉皮层，如何被连接成一个整体尚不清楚。此外，行为实验（如Baddeley和Godden的情境依赖记忆）表明，记忆的编码涉及多个感官通道的联合，但物理实现细节模糊。因此，需要一种中间层次的理论框架，将神经网络的微观细节与心理学的宏观结果联系起来。

### 研究内容与结论

本文提出，记忆印迹的物理形式是大脑有向图中的一个连通子图。研究人员将神经网络抽象为一个巨大的有向图，每个记忆对应一个连接子图，该子图连接分散在不同感觉皮层中的节点，形成关联。基于解剖学、脑成像和电生理学证据，研究人员构建了一个神经元连接的概率模型，并通过图论定理证明，在此模型下，构建连通子图是容易的。该模型能解释记忆的巨大容量、持久性和遗忘等现象。论文发表在《Frontiers in Computational Neuroscience》。

### 主要关键技术方法

1. **神经元连接概率模型**：基于突触密度场，推导出两个神经元间突触数量与距离的关系，并利用泊松分布（Poisson distribution）得到连接概率公式（Equation 4）。模型参数（k和λ）通过对比Budd和Kisvárday (2001)以及Horvát等人(2016)的实验数据验证。
2. **有向图生成与约束建模**：以概率模型为生成规则，构建包含500个节点的有向图（图论中节点对应神经元，边对应突触连接），并测试可达性、平均路径长度和聚类系数等性能，确保符合生物约束。
3. **哈密顿环（Hamiltonian cycle）计数**：利用计算机枚举（小规模）和蒙特卡洛方法（Monte Carlo method）（大规模）估算有向图子图中哈密顿环的数量，验证Asaf-Ferber条件（节点入度和出度非零，且p > logN/N）的满足性。
4. **连通子图容量与区分度分析**：通过随机采样实验（960分钟）统计连通子图数量，并定义子图边集重叠率（Similarity）作为区分度指标，分析实际可用容量。

### 研究结果

**2.1 记忆印迹本质上是连通子图**
通过类比，将神经网络抽象为高度连接、去中心化且活跃的有向图，印迹细胞对应图中的节点，节点间的连接形成连通子图，作为记忆印迹的物理实现。多个连通子图可共存并共享节点，资源竞争可能导致部分分支丢失。

**2.2 皮层神经元连接的概率模型**
基于解剖学证据（短程连接多于长程连接），推导出神经元连接概率与距离的关系式（Equation 4）。通过调整参数k和λ，模型能模拟不同生物实验中观察到的连接概率，与Budd和Kisvárday (2001)以及Horvát等人(2016)的数据一致（图1a, 1b），验证了模型参数的有效性。

**2.3 印迹的数学保证**
根据图论，若随机有向图D(N, p)满足Asaf-Ferber条件（任意节点入度和出度非零，且p > logN/N），则必然存在哈密顿环，且数量约为N!(p(1+o(1)))^N。基于Equation 4生成的有向图（k=0.06, λ=41），当节点集规模超过153时，平均单向连接饱和度稳定在0.033左右，满足logN/N < 0.033，因此满足Asaf-Ferber条件。实验表明，理论值与测量值（图3d）高度吻合，证明子图含有大量哈密顿环，便于构建连通子图。

**2.4 连通子图的形成成本较低**
通过“跳数”（hops）概念评估连接成本。实验（图3c）显示，在给定连接概率下，只要有足够多的中继节点（relay nodes），初始激活节点可通过局部边快速形成环路，连接失败概率在M≥20时极低（Equation 6, 7）。数学上，均匀分布节点间最近邻距离的期望与√s成正比，确保了局部连接的高效性。

**2.5 潜在可用容量巨大**
以540个节点构成的有向图为例，若选20%节点（108个）形成连通子图，理论组合数为C₅₄₀¹⁰⁸ ≈ 1.576×10⁸⁵，可等效于1.17×10⁷⁷卷《大英百科全书》。对于153个节点的子图，即使单向连接饱和度为3%，仍约有2×10³⁶个哈密顿环。960分钟采样实验累积超过10⁷个连通子图，且数量持续增长（图3e）。若要求子图间边集相似度≤40%，约55%的子图满足条件（图3f），实际可用容量仍十分可观。

**2.6 增量可实现性**
有向图可视为多个堆叠连通子图的集合，每个子图以特定拓扑结构表征一个事件，这与当前机器学习方法（如函数逼近）不同，前者允许样本易于分离，具有更好的可解释性。记忆内容增量添加，使得有向图更适用于“即录即存”方式，分散学习可巩固单个连通子图的拓扑结构。

### 讨论与结论

研究结论部分指出，本文提出的概率与图模型为记忆印迹的物理实现提供了中间层次的理论框架。通过将神经网络抽象为有向图，将记忆编码、巩固和检索分别对应为连通子图形成、突触加强（边强化）和子图重新激活，能统一解释记忆的编码、巩固和检索过程。该模型基于生物约束（神经元连接概率随距离指数衰减），并利用图论定理证明了连通子图易于构建，从而解释了记忆的巨大潜在容量。这一工作桥接了神经生物学细节与心理行为结果，为理解大脑如何组织、存储和稳定经验提供了新视角。