naive 猕猴中由高效受控网络动力学支持的习惯学习

灵长类动物在不确定和动态环境中表现出显著的 habit（习惯）学习能力。此类习惯相关的感知与动作涉及分布式神经环路。然而，这类环路究竟如何支持习惯学习所需的计算，仍远未被理解。本文构建了一个网络能量学的正式理论，以解释脑状态的变化如何产生序列行为的变化。我们在雌性猕猴的尾状核、前额叶皮层和额叶眼动区的多单元记录背景下运用该理论，这些猕猴参与了 60-180 次自由扫描任务以诱导运动习惯。该理论依赖于确定记录通道间的有效连接，并规定脑状态为这些通道上特定试次的发放率。在活动仅能通过有效连接传播的约束下，该理论进而预测从一个状态转换到另一状态所需的能量。与理论预测一致，我们观察到在更相似且更复杂的试次扫视模式之间，以及在以更低熵的扫视模式选择为特征的试次中，转换所需的能量更小。利用虚拟损伤方法，我们证明了最小控制能量与行为之间的观测关系对推断有效连接的显著中断具有韧性。我们这一基于理论原理的习惯学习方法，为未来研究行为如何由分布式神经环路中活动模式的变化而产生铺平了道路。