为失败搭建舞台：认知错误神经机制的自动发现
神经元与认知
2026-02-24 v2 人工智能
摘要
发现支撑认知的神经机制是神经科学的主要挑战之一。然而，此前构建解释行为的 RNN 动力学模型的方法需要迭代地优化架构和/或优化目标，导致了一个零散的、主要是启发式的人工参与过程。在这里，我们提供了一种替代方法，通过显式训练 RNN 来复现行为，包括人类和动物在认知任务中产生的相同特征性错误和次优性。实现这一点需要两项主要创新。首先，由于实验中可收集的行为数据量通常不足以训练 RNN，我们使用行为响应的非参数生成模型来产生替代数据用于训练 RNN。其次，为了捕捉数据的所有相关统计方面，我们开发了一种新颖的基于扩散模型的 RNN 训练方法。为了展示我们方法的潜力，我们选择视觉工作记忆任务作为测试平台，因为该任务中的行为已知会产生明显多模态的反应分布（由于交换错误）。所得的网络动力学正确地定性地反映了猕猴神经数据的特征。重要的是，这些结果无法通过更传统的方法获得，即当仅拟合有限的行为特征（而非行为反应分布的完整丰富性）时，或者当 RNN 为任务最优性（而非复现行为）而训练时。我们的方法还产生了关于交换错误机制的新预测，这些预测可以在实验中轻松验证。这些结果表明，将 RNN 拟合到丰富的行为模式为自动发现重要认知功能的机制提供了一种强大途径。
引用
@article{arxiv.2512.04808,
title = {Setting up for failure: automatic discovery of the neural mechanisms of cognitive errors},
author = {Puria Radmard and Paul M. Bays and Máté Lengyel},
journal= {arXiv preprint arXiv:2512.04808},
year = {2026}
}