北京
关键词：大脑不对称性，演化动力学，涌现生物功能，神经可塑性
论文来源：Physics Review X 斑图链接：https://pattern.swarma.org/paper/7dc44fce-532f-11ee-839b-0242ac17000d 原文链接： https://journals.aps.org/prx/abstract/10.1103/PhysRevX.13.031028#fulltext
动物大脑的神经网络在一定程度上是镜像对称的，不对称性被认为在认知能力更强的物种中更为常见。这个假设源于一个长期存在的理论，即神经任务不断增加的复杂性，可以将镜像对称的神经回路转化为仅存在于大脑一侧的回路。由西班牙国家生物技术中心进行的这项最新研究开发了一套数学模型，支持这一假设。这项研究的发现可以帮助解释，大脑结构不仅受认知要求任务的影响，还受损伤或衰老的影响。
当神经网络控制的身体部位本身是镜像对称的，例如手臂和腿，镜像对称的神经网络是有用的。此外，大脑两侧存在重复回路可以帮助提高计算精度，并在一个回路出现故障时提供替换回路。然而，这种重复造成的冗余可能导致能量消耗增加。这种权衡提出了一个重要问题：镜像对称的最优程度是否取决于神经网络执行的认知任务的复杂性？
该模型证明，神经回路的理想构型始终是完全镜像对称，或完全局部化到大脑一侧。倾向于哪种构型取决于代谢成本、贡献的适应性、回路可靠性和任务复杂性。关键的是，任务复杂性增加可以在这两种构型之间引起转变。这种转变可能发生在大脑发育和衰老过程中，也可能发生在生物进化过程中。尽管这项工作侧重于大脑中的镜像对称性，但结果适用于任何一组重复神经回路，例如存在于同侧大脑的回路。
图1.大脑双侧与侧化构型的简单模型。（a）一个简单任务可以由侧化回路（黑色正方形）完成。右半球中的类似单元（白色正方形）和整合两个对称同源体的回路（白色三角形）未被使用。（b）如果两个镜像对称单元都参与解决该简单任务（黑色正方形），则需要整合机制（黑色三角形）。这是一种双侧对称构型。（c）展示了通过左右两种单元的分级参与（灰色阴影）和整合机制来实现任务是可能的。（d-f）建模利用M个模块（这里M=3）的涌现表型，每个模块实现一个更简单的子任务。侧化（d）和完全（e）或部分（f）双侧解决方案同样是可能的。
图2. 最优侧化和双侧构型。在白色区域，由于成本太高，永远不会出现寻求的表型；灰色区域更倾向侧化构型；黑色区域更倾向双侧构型。
图3. 保留其简单功能的基质上涌现出的复杂表型的演化路径。（a-d）随着涌现表型的复杂性增加（M=2，3，10，100），镜像对称性的破坏变得不可避免。（e-h）探讨一个复杂表型（M=100）逐渐增加使用神经基质的时间比例。这类似于高级脑功能逐渐组装并取代相同神经基质中更简单的计算的发育情况。通过这个过程，红点处的回路将变得侧化。
图4. 最优化压力导致功能区隔。随着涌现表型的复杂性增加，镜像对称性的破坏变得不可避免。此时当失去双侧性时，每个镜像对称部分变得更加专注于或简单或复杂的任务。
编译｜梁金
因果涌现读书会第三季启动
详情请见：
1.
2.
3.
4.
5.
6.
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
