Nat. Commun.速递：大脑-小脑网络通过反馈解耦促进学习

关键词：大脑小脑网络，神经网络，计算模型

论文题目：Cerebro-cerebellar networks facilitate learning through feedback decoupling

论文来源：Nature Communications

论文链接：https://www.nature.com/articles/s41467-022-35658-8

行为反馈对大脑皮层的学习至关重要。然而，这样的反馈往往不容易获得。尽管反馈信息稀少，大脑皮层仍然可以有效学习，这背后的机制仍然不清楚。受到最近深度学习算法的启发，近日发表于 Nature Communications 的这项研究介绍了一个系统级别的大脑-小脑交互计算模型。

在这个模型中，模拟大脑的递归神经网络接收来自小脑的递归神经网络的反馈预测，从而将大脑网络中的学习与未来的反馈解耦。当在一个简单的感觉运动任务中训练时，该模型表现出更快的学习速度和减少类似于辨距困难（dysmetria）的行为，与广泛观察到的小脑功能影响相一致。接下来，研究证明这些结果可以推广到更复杂的运动和认知任务。

最后，该模型做出了几个实验上可测试的预测，包括学习过程中的大脑-小脑任务特定表征，小脑预测的任务特定增益，小脑和下橄榄（inferior olive）损伤的不同影响。总的来说，这项工作提供了大脑-小脑网络作为反馈解耦机器的的一个理论框架。

图1. 作为反馈预测机器的大脑小脑网络。(a）小脑的递归神经网络通过任务特定预测错误模块 E_task 提供的外部感觉反馈进行学习，该模块在任务 fb_T（顶部红色箭头）结束时计算。小脑的目的是持续预测由大脑网络 fb_t（蓝色）给定当前大脑活动（黑色）所期望的反馈。（b）大脑-小脑模型的实例在时间上展开，其中大脑网络学会将 t₁（x₁，绿色）给出的线索与任务结束时接收的反馈 t_T 相关联。任务结束时，大脑网络 A 接收外部感觉反馈 fb_T （红色），作为大脑反馈 fb_T（浅蓝色）传输到小脑网络。

图2. 在一个简单的画线感觉运动任务中，脑-小脑模型提高学习效果。

图3. 在线复杂感觉运动和感觉辨别任务中，大脑-小脑模型提高学习效果。

图4. 脑-小脑模型有助于视觉语言学习

神经网络的统计力学课程上线

为了帮助学生学习统计力学的基本原理及其在理解神经网络内部工作原理的应用，中山大学教授、PMI Lab的黄海平老师组织了《神经网络的统计力学》在线课程，课程从2022年9月持续到2023年6月。目前上季课程从2022年9月-2022年12月，共计8章内容、12讲课程，已完整上线。欢迎扫描文中二维码报名加入学习。

下季课程将于2023年2月18日正式开始。本季将根据同学的学习情况在下一季开始前淘汰部分学员。下一季课程将开放招收20名新的正式学员，具体申请条件、流程见正文。申请截止时间为2023年2月8日，请感兴趣的同学尽快提交材料。