状态空间模型自然产生时间细胞和振荡行为并可扩展至抽象认知功能

现代神经科学的重大挑战之一是在详细描绘微尺度神经环路与认知功能的机制性理解之间架起桥梁。虽然关于神经元连接性和生物物理学方面已有大量知识，但这些低层现象如何最终产生抽象行为 remains largely unresolved。本文提出，基于状态空间模型 (State Space Models) 的模型可作为分析的生物学模型。我们指出，状态空间模型中元素的微分方程在概念上与生物过程的动力学一致，而该模型提供了一个可扩展的框架，用于构建这些动力学以产生实验神经科学中观察到的涌现行为。我们通过在时间判别任务中采用强化学习训练一个采用对角状态转换矩阵的网络来测试此模型。我们的结果表明，诸如时间细胞等神经行为自然从两个基本原则中产生：最优预配置和旋转动力学。这两种特征在数学上被证明可优化历史压缩，并且自然生成即使在训练之前也呈现出结构化的时间动力学，镜像最新在生物环路中的发现。我们表明，学习主要作为一种选择机制，用于微调这些预配置的振荡模式，而非从头构建时间编码。该模型可以轻松扩展至抽象认知功能，如事件计数，支持将状态空间模型用作理解神经活动的可计算可行框架。