异质性自耦合无需临界性即可实现尺度不变记忆与认知灵活性

大脑的层级组织是其能够在多个时间尺度上处理信息、并通过情境依赖的计算支持灵活行为的基础。本文研究了一个节点间具有异质性自相互作用的循环神经网络模型，该模型捕捉了神经回路的关键特征，包括动力学时间尺度的内在多样性和多稳态低维流形。我们在不假设临界性的前提下探究了尺度不变动力学的涌现，挑战了幂律统计必然源自自组织临界状态的观点。我们表明，仅异质性自相互作用本身就足以在亚临界区域产生尺度不变的记忆，同时增强网络的动力学丰富性和计算能力。值得注意的是，这一机制促进了层级组织的自发涌现。我们通过短时记忆任务和威斯康星卡片分类测验（该测验探测认知灵活性和适应性规则切换）评估了该框架的功能意义。与具有异质性时间常数的模型相比，我们的方法以更简约的突触修饰实现了相当的性能，同时保持了尺度不变动力学。

中文由 AI 翻译，仅供参考，以原文为准。