記得準，還是記得穩？離散吸引子如何守護工作記憶
在計算神經科學中，大家對「用一群神經元活化的活動峰（bump）來表徵空間方位」已相當熟悉。不論是果蠅中央複合體的頭向細胞在導航中維持方向感，還是前額葉皮質暫存一個視覺目標，本質上都是在做「工作記憶」：在外界輸入消失或微弱時，系統必須將這個連續變數穩定保存在神經網絡的動態之中。直覺上，我們總希望編碼愈精細、愈準確愈好，絕不希望頭方向或方位記憶只能笨拙地卡在少數幾個預設的格點上。也因此，理論上擁有無限解析度的「連續吸引子」（continuous attractor），長年來被視為最完美的理想架構。
但追求極致的編碼準度，真的是好事嗎？
事實上，任何依賴神經群表徵連續變數的記憶系統，都必須同時面對兩種本質截然不同的誤差：
第一種是量化誤差（quantization error）——當網絡只能將狀態歸類到有限的離散格點時，初始刺激被迫「四捨五入」所產生的解析度損失；
第二種則是擴散誤差（diffusion error）——在記憶維持期間，神經系統內部隨機雜訊不斷擾動，導致 bump 在網絡中隨時間四處漂移所累積的偏離。
大家之所以迷戀連續吸引子，正是因為它將量化誤差降到了零——任何細微的角度差異都能被無損寫入，不必委身於特定格點。然而，這往往讓人忽略了它所必須支付的沉重代價：幾近失控的擴散誤差。
連續吸引子之所以能平滑移動、沒有量化誤差，物理本質在於狀態沿著連續流形滑動不需要跨越任何位能壘。但這同義於整個流形完全缺乏回復力（restoring force）。在真實大腦中，膜電位起伏與突觸釋放的隨機性無處不在。當隨機雜訊把 bump 推偏了一點點，網絡根本無法分辨這是雜訊還是新的轉向信號，只能照單全收地持續積分。隨時間累積，bump 的軌跡就退化為相空間中的布朗運動（Brownian motion）——記憶的變異數隨延遲時間線性擴散，原本精準的記憶隨時間消磨殆盡。心理物理學早已觀察到，人類在延遲眼動任務中的落點誤差會隨時間拉長而發散；果蠅在黑暗中缺乏視覺錨定時，其頭向 bump 同樣會發生緩慢漂移。
換言之：連續吸引子雖然做到了「記得準」，卻根本「記不穩」。
大腦若想在雜訊充斥的環境中「記得穩」，該怎麼做？Kilpatrick、Ermentrout 與 Doiron（2013）在 Journal of Neuroscience 上發表的研究，給出了一個翻轉：主動打破連續性，利用離散吸引子來釘扎記憶。
他們在一個模擬皮質工作記憶的尖峰神經網絡（由 256 顆興奮性錐體細胞與 64 顆抑制性神經元組成）中，做了一項關鍵嘗試：在原本均勻對稱的興奮性突觸連結上，加入僅僅 2.5% 的微弱空間週期性調變，人為建構出 n 個等距排列的離散吸引子。
（這裡之所以需要刻意加入週期性異質性來形成離散吸引子，是因為他們模擬的是神經元數量眾多的皮質網絡，個別細胞的離散感會被跨越二十餘顆細胞的寬闊 bump 徹底平均掉，使系統在效果上近乎連續；這與果蠅頭向電路天生只有約 8 群功能神經元的緊湊離散架構截然不同。）
這項微小的改變帶來了戲劇性的效果：原本在均勻網絡中隨機漂移的 bump，被牢牢鎖進了最近的位能井底，有效擴散係數 D 直接從均勻網絡的 59.6 deg²/s 暴跌至 2.61 deg²/s——漂移率直接被壓低了二十倍以上！
作者進一步將高維尖峰網絡簡化為一維週期位能模型：$U_n(\theta)$ 正比於 $(1/n)*cos(n \theta)$，揭露了兩種誤差間的核心矛盾。在網絡最大回復力受限的前提下，若試圖塞進更多的吸引子（增加 n）來換取更高的空間解析度，位能井固然變窄了，但井深（位能障高度）也隨之以 1/n 的比例急遽變淺。井一旦變矮，神經雜訊便極容易越過位能障，把 bump 踢進相鄰的格子裡。
這讓兩種誤差正面交鋒：
• 吸引子太少（n 小）：井極深，bump 被死死釘在井底、完全不漂移，但初始載入時會產生嚴重的「四捨五入錯」（量化誤差主導）；
• 吸引子太多（n 大）：初始載入精準，但井太淺擋不住雜訊，隨機擾動會引發頻繁的「跳錯格」（擴散誤差主導）。
作者進一步利用夏農資訊理論，將工作記憶抽象化為一個吵雜的通訊通道：將輸入的 m 個可能刺激方位壓縮載入 n 個吸引子中暫存 T 秒，最後讀取輸出。將量化誤差（損失 $log_2(m/n)$ 位元）與經由 Fokker-Planck 方程算出的跨井轉移機率合併計算後，展現出關鍵結論：當延遲時間拉長時，最佳的吸引子數量竟然遠少於需要記憶的刺激數。
若刺激只有 4 個方位或延遲極短（如 T = 0.1 秒），擴散誤差尚未發酵，最佳解自然是 n = m（追求純粹的記得準）；但若要記住 16 個方位且延遲達 10 秒，尖峰網絡與位能模型的互資訊與答對率，同時在 n = 4 達到最高峰！面對 16 個輸入，系統最明智的做法不是準備 16 個淺井，而是只挖 4 個又深又寬的「大抽屜」。延遲時間拉得愈長，大腦愈應該放棄微小的解析度，選擇更少、更穩定的離散吸引子。
這項研究提醒了「連續代表高級、離散代表妥協」的迷思。當我們重新審視果蠅中央複合體的離散結構時，過去總習慣將其解釋為神經元資源匱乏下的演化瓶頸。但放在動力學的框架下，這篇論文提供了另一種潛在的讀法：如果大腦追求的是在充滿雜訊的神經底層中長久維持方向，那麼「記得穩」遠比「記得準」關鍵。恰到好處的粗粒化，也許不是演化退而求其次的妥協，而是大腦在量化誤差與擴散誤差的殘酷博弈中，所精算出的全域最佳解。
另一個延伸的思考是，大腦是否存在不同階層的記憶，有些記憶要記得準，有些要記得穩呢？
AI使用註記：使用Claude 及 Gemini 輔助編輯，並由人工進行校稿
撰文：林明樺
原始論文：Kilpatrick, Z. P., Ermentrout, B., & Doiron, B. (2013). "Optimizing working memory with heterogeneity of recurrent cortical excitation". The Journal of Neuroscience, 33(48), 18999-19011.
留言
張貼留言