《Current Biology》：Inter-trial convergence of neural task states supports cognitive flexibility
编辑推荐：
摘要翻译：在不同任务之间切换的能力是人类智能的核心组成部分，然而对这一能力的机制性理解仍然难以捉摸。关于任务切换如何受到对即将到来任务的准备或先前任务干扰的影响，这一长期争论在缺乏定量神经预测的情况下一直难以解决。研究人员通过使用状态空间建模（state-sp
摘要翻译：在不同任务之间切换的能力是人类智能的核心组成部分，然而对这一能力的机制性理解仍然难以捉摸。关于任务切换如何受到对即将到来任务的准备或先前任务干扰的影响，这一长期争论在缺乏定量神经预测的情况下一直难以解决。研究人员通过使用状态空间建模（state-space modeling）直接比较任务优化的循环神经网络（recurrent neural networks, RNNs）和人类脑电图（electroencephalographic, EEG）记录中的潜在任务动态，推进了这一争论。在试次间间隔（inter-trial interval, ITI）期间，神经网络和大脑均重置为一种中性任务状态（neutral task state），这是一种有效的动态模式，协调了准备和干扰在任务切换中的作用。这些发现为认知灵活性提供了定量解释，并为连接人工神经网络和生物神经网络提供了一个有前景的范式。
论文解读文章
**研究背景与问题**
认知灵活性是人类智力的核心组成部分，指个体根据不断变化的目标快速调整任务处理方式的能力。尽管这一能力在目标导向认知中占据核心地位，并被认为是跨生命周期认知变化和心理健康的重要指标，但其背后的神经机制长期以来缺乏定量理解。任务切换文献普遍认为，两个核心因素影响个体在刺激-反应映射（即“任务集”）之间快速切换的能力：一是“任务集重构”（task set reconfiguration），即在新任务被提示时主动切换任务集的过程；二是“任务集惯性”（task set inertia），即先前任务集对当前任务产生的被动干扰，随时间推移而衰减。然而，这些理论停留在“因素”层面，而非定量的过程模型，难以从脑成像实验中产生精确的预测来区分不同理论。以往的计算模型往往依赖手工设计的机制来实现任务切换的不同组成部分，这些机制可能无法很好地映射到大脑的分布式计算中。此外，将人工神经网络的丰富表征动力学与任务切换期间的脑活动记录直接联系起来的研究也较为有限。
**研究内容与结论**
为解决上述问题，研究人员采用了两项关键创新。首先，通过理论指导的训练课程（curricula）训练任务优化的循环神经网络（RNNs），生成关于主动重构和被动干扰如何影响任务切换的定量神经预测。其次，将RNN模型中的任务控制特征与两个人类脑电图（EEG）数据集进行比较，通过将潜在动态系统（latent dynamical systems）拟合到模拟数据和实际数据中。研究发现，经过任务切换训练的RNN在试次间间隔（ITI）期间收敛到一种“中性”任务状态，而仅接受单任务训练的RNN则没有表现出这种收敛。在短ITI条件下训练的RNN没有足够时间达到中性状态，导致先前任务产生干扰。重要的是，这种动态模式对应的神经特征在EEG数据集中得到了密切印证，从而调和了重构和干扰在任务切换中的各自作用。这些发现为认知灵活性提供了定量解释，并展示了一种连接人工神经网络和生物神经网络的有前景范式。该研究发表在《Current Biology》期刊上。
**关键技术方法**
研究人员使用门控循环单元（gated recurrent units, GRUs）构建任务优化的RNNs（108个隐单元），通过反向传播时间（backpropagation through time）进行训练。训练课程包含两个因素：“切换训练”（1-Trial vs. 2-Trial）和“试次间隔”（短ITI=20时间步 vs. 长ITI=60时间步）。每个RNN课程训练512个网络，共四种课程组合。对于人类EEG数据，使用了两个公开数据集：Hall-McMaster数据集（30名参与者，61通道EEG，长ITI 2400-2800 ms）和Arnau数据集（26名参与者，128通道EEG，短ITI 800-1000 ms）。研究人员开发了一个开源的状态空间分析包（StateSpaceAnalysis.jl），使用子空间识别（subspace identification）和期望最大化（expectation maximization）算法拟合线性高斯状态空间模型（linear-Gaussian state-space model, SSM）。SSM的观测数据为经过主成分分析（PCA）降维的RNN隐单元活动或EEG电压信号，输入包括当前任务、先前任务、切换/重复等预测变量，并使用三次B样条基函数（cubic B-spline basis）建模时变输入。
**研究结果**
**任务优化的RNN学会切换任务**
研究人员训练了四组RNN（1-Trial短ITI、1-Trial长ITI、2-Trial短ITI、2-Trial长ITI），每组建模512个网络。所有RNN在第一试次的表现相近，但2-Trial RNN在第二试次（尤其是切换试次）表现显著优于1-Trial RNN。在短ITI条件下，2-Trial RNN仍表现出较差的性能，表明先前任务状态存在持续影响。在第三试次（所有RNN均为新试次），2-Trial RNN保持了优势，表明其学到了可泛化的重构策略。
**用状态空间模型量化潜在动力学**
研究人员将SSM拟合到RNN的隐单元活动中，发现过参数化（over-determined）的SSM（因子数112 > 观测维度49-76）在留出试次上具有高预测精度，且参数恢复良好。SSM的预测精度显著优于自回归编码模型，验证了该方法的有效性。
**SSM捕捉人类EEG中的潜在动力学**
将同一SSM拟合程序应用于两个EEG数据集，发现SSM同样优于自回归模型和非线性RNN。可视化推断的EEG任务轨迹显示，任务状态在准备期间出现分化。当EEG记录与正确任务状态的对齐程度更高时，参与者的反应时间更快（Hall-McMaster: d = 0.59, p = 0.0073；Arnau: d = 0.75, p = 0.012）。SSM还能准确捕捉EEG数据的功率谱特征。
**神经任务状态的主动重构**
研究人员通过三个动态特征比较了RNN和EEG的任务控制策略。第一个特征是“任务能量”（task energy），衡量任务相关动力学的大小。2-Trial RNN在切换试次上表现出比重复试次更强的任务能量，而1-Trial RNN则没有明显分化。EEG数据也显示切换试次的任务能量更强，与2-Trial RNN的模式更一致。第二个特征是“切换相似性”（switch similarity），衡量切换和重复轨迹之间的对齐程度。2-Trial RNN的切换轨迹与重复轨迹高度正对齐，而1-Trial RNN则呈现负对齐（相反方向）。EEG数据同样显示正对齐，与2-Trial RNN相符。第三个特征是“初始中心性”（initial centrality），即ITI期间任务状态向中性状态的收敛速度。2-Trial RNN在ITI期间快速收敛到两个任务状态的中点，而1-Trial RNN则没有收敛。长ITI条件下收敛更完全。EEG数据同样表现出初始条件接近任务状态的中点，且长ITI的EEG数据（Hall-McMaster）比短ITI数据（Arnau）更接近中点。通过重缩放分析，研究人员证实ITI收敛程度的不同可以解释两个EEG数据集在切换相似性上的差异。
**讨论与结论**
研究人员讨论了这些发现对任务切换理论的意义。传统理论认为任务切换涉及主动重构和被动干扰两个因素，但本研究提出的“神经状态准备”模式（neural state preparation）将两者统一起来：大脑在试次间并非直接从先前任务状态切换到新任务状态，而是先收敛到中性状态，再在提示出现后快速进入相应任务状态。这种收敛需要时间，因此长ITI下切换和重复轨迹更对称。研究还探讨了门控机制的作用，发现去除GRU门控会损害任务切换性能，且无门控RNN无法复现EEG中的动态特征。未来研究应探索支持中性状态模式的回路机制、切换概率的影响，以及不同任务配对下中性状态的位置。尽管存在一些局限性（如RNN的切换成本低于人类行为预期、训练课程采用分块而非交错等），但结合神经网络建模、潜在推断和控制理论的方法为理解灵活认知的分布式神经动力学提供了有力工具。
**研究结论翻译**
这些发现表明，大脑在试次间间隔期间表现出与学习过准备即将到来任务的RNN一致的任务相关动力学，而非在提示出现时直接从一种任务状态切换到另一种。大脑在任务提示前移向一个中间“中性”状态，该状态大致位于即将到来的任务状态之间。当任务提示出现时，RNN和大脑过渡到适当的任务状态，且在需要切换任务时表现出更快的动力学。这些结果共同展示了任务优化的RNN与人类神经动力学之间的显著对应关系，支持灵活信息处理存在一套共同的动力学机制。
