海马网络平衡稳定与流动的秘密

海马体需要同时支持稳定的记忆表征和内部生成的顺序动态，用于重放和预测，但以往研究对其机制尚不清楚。一项新研究表明，在预测任务上训练的递归神经网络会收敛到一种混合对称动力学状态：对称递归主导固化吸引子，而较弱的非对称成分则驱动方向性流动。这种结构加速了学习，并支持稳健的重放和预测。

研究还发现，这种对称性破缺可由生物上合理的脉冲时序依赖可塑性（STDP）规则实现，产生倾斜的墨西哥帽连接特征。这意味着神经网络通过诱导偏差和对称性破缺，在稳定与流动之间找到平衡点。

该成果揭示了海马网络动态的核心机制，对理解记忆巩固、空间导航以及人工智能中的序列学习具有重要启示。未来，或将推动基于脑启发的机器学习算法发展。