嗅覺的幾何學：大腦如何在神經漂移中維持穩定
大腦中的嗅覺編碼並不總是固定的；它會隨著時間不斷的變換。從過去幾年到現在，一系列研究串聯起了一個關於雙曲幾何、熱力學噪聲與流形旋轉的完整故事。這不僅挑戰了我們對記憶存儲的認知，也為處理非穩態訊號提供了全新的視角。 靜態的幾何 首先，氣味空間的「形狀」是什麼？(Zhou, Smith, and Sharpee 2018) 指出，自然界氣味的共現統計（Co-occurrence statistics）呈現出層次結構。根據 (Krioukov et al. 2010) 的網絡理論，具有這種層次特性的網絡最適合嵌入在「雙曲空間（Hyperbolic Space）」中。 圖 1：嗅覺空間的雙曲幾何模型。 (A) 龐加萊圓盤（Poincaré disk）模型示意圖。與歐氏幾何不同，過直線 L1 外一點 C 可以作出無限多條不相交於 L1 的平行線（如 P1,P2,P3）。 (B, C) 雙曲空間的指數擴張特性。圖中所有的三角形、七邊形或達文西的「維特魯威人」在雙曲空間中大小其實是相同的。然而，在歐氏平面的投影中，隨著接近邊界，它們的尺寸指數級縮小，數量指數級增加。這對應了嗅覺編碼中，絕大多數的具體氣味（Specific Odors）都被推向了高維球體的邊界，以最大化編碼容量。 Sharpee 團隊發現，嗅覺數據完美貼合於一個「3D 龐加萊球（Poincaré Ball）」模型（註1）： 半徑 (r) 代表層級：廣義特徵位於球心，具體氣味位於邊界。 角度 (θ) 代表身份：化學性質相似的氣味在角度上相鄰。 這解釋了為何神經元使用飽和非線性函數（如 Sigmoid 或 Tanh）。正如幾何學家 (Cannon et al. 1997) 所述，在雙曲空間中，圓盤的面積隨著半徑呈指數增長，以至於絕大部分空間體積都集中在邊界。大腦利用這一幾何特性，將絕大多數編碼容量留給了邊界的具體氣味，實現了編碼效率的最大化。 熱力學的危機 然而，這個幾何結構面臨著物理現實的挑戰：硬體是不穩定的。 (Schoonover et al. 2021) 在小鼠實驗中觀測到 「表徵漂移（Representational Drift）」。他們發現，連續追蹤 32 天，同一群神經元對特定氣味的響應完全改變了。Day 1 訓練的線性分類器在 Day 32 完全失效。這意味著大腦沒有固定的「祖母細胞」（註2）。 圖 2...
