Interne Darstellung von Aufgabenregeln durch rekurrente Dynamik: die Bedeutung der Vielfalt neuronaler Reaktionen

Die neuronale Aktivität von sich verhaltenden Tieren, insbesondere im präfrontalen Kortex, ist hochgradig heterogen, mit selektiven Reaktionen auf verschiedene Aspekte der ausgeführten Aufgabe. Wir schlagen ein allgemeines Modell rekurrenter neuronaler Netzwerke vor, das komplexe regelbasierte Aufgaben ausführt, und zeigen, dass die Vielfalt neuronaler Reaktionen eine fundamentale Rolle spielt, wenn die Verhaltensreaktionen kontextabhängig sind. Konkret haben wir festgestellt, dass, wenn die inneren geistigen Zustände, die die Aufgabenregeln kodieren, durch stabile Muster neuronaler Aktivität (Attraktoren der neuronalen Dynamik) repräsentiert werden, die Neuronen selektiv für Kombinationen von sensorischen Stimuli und inneren geistigen Zuständen sein müssen. Eine solche gemischte Selektivität wird leicht von Neuronen erreicht, die mit zufälligen synaptischen Stärken sowohl zum rekurrenten Netzwerk als auch zu Neuronen, die sensorische Eingaben kodieren, verbunden sind. Die Anzahl der zufällig verbundenen Neuronen, die benötigt wird, um eine Aufgabe zu lösen, ist im Durchschnitt nur dreimal so groß wie die Anzahl der Neuronen, die in einem ad-hoc entworfenene Netzwerk benötigt werden. Darüber hinaus wächst die Anzahl der benötigten Neuronen nur linear mit der Anzahl der aufgabenrelevanten Ereignisse und mentalen Zustände, vorausgesetzt, dass jedes Neuron auf einen großen Anteil von Ereignissen reagiert (dichte/verteilte Kodierung). Eine biologisch realistische Implementierung des Modells erfasst mehrere Aspekte der Aktivität, die von Affen aufgezeichnet wurden, die kontextabhängige Aufgaben ausführen. Unsere Ergebnisse erklären die Bedeutung der Vielfalt neuronaler Reaktionen und bieten uns einfache und allgemeine Prinzipien für das Design von Attraktor-neuronalen Netzwerken, die komplexe Berechnungen durchführen.