공동 희소 코딩 및 시간 역학이 컨텍스트 재구성을 지원함

적응적인 행동은 뇌가 이전 경험의 표현을 유지하면서도 서로 다른 컨텍스트 사이를 전환하도록 요구합니다. 이전에 습득한 지식을 지우지 않고 신경 표현을 재구성하는 능력은 동적 환경에서의 학습에 핵심적이지만, 이러한 균형을 지원하는 신경 메커니즘은 여전히 불분명합니다. 이러한 메커니즘을 이해하는 것은 평생 학습을 위해 설계된 인공 시스템의 파국적 망각(catastrophic forgetting) 문제를 해결하는 데에도 중요합니다. 본 연구에서는 마우스 내측 전전두피질(mPFC)과 계산 네트워크 모두에서 공동 희소 코딩(joint sparse coding) 및 시간 역학(temporal dynamics)을 컨텍스트 전환 동안 이전 표현을 보존하는 데 도움을 주는 메커니즘으로 확인했습니다. 구체적으로, 컨텍스트 의존적 표현에서의 희소성은 교차-컨텍스트 간섭(cross-context interference)을 줄이고, 네트워크 활동 내의 시간 역학은 시간에 걸쳐 컨텍스트 분리성(context separability)을 더욱 향상시킵니다. 놀랍게도, 스파이킹 신경망(spiking neural networks)과 같이 두 가지 속성을 모두 갖춘 네트워크는 보조적인 휴리스틱 없이 평생 학습 동안 개선된 유지 능력을 보여줍니다. 이러한 발견은 공동 희소 코딩 및 시간 역학을 평생 학습에서 유연한 컨텍스트 재구성을 지원하는 핵심 메커니즘으로, 그리고 그 활동 제약적 특성(activity constraining nature)을 통해 안정적인 적응을 위한 에너지 효율적인 아키텍처 원리로 확립합니다. 종합적으로, 이들은 뇌가 이전 지식을 보존하면서도 새로운 컨텍스트에 유연하게 적응하는 방법을 이해하기 위한 메커니즘적 틀을 제공합니다.