15、计算认知神经科学：现状、挑战与贡献

计算认知神经科学：现状、挑战与贡献

1. 概述

计算认知神经科学旨在通过计算模型来理解认知神经科学中的各种现象。它涵盖了从单个神经元层面的离子运动到复杂认知功能（如规划）的学习等广泛主题。本文将回顾该领域的基础知识，探讨其面临的挑战，并强调计算模型对认知神经科学发展的贡献。

2. 基础知识

2.1 神经元的工作原理

单个神经元如同探测器，不断监测输入，当输入与权重模式匹配时做出响应。神经元的离子通道计算兴奋、抑制和泄漏电流的平衡，反映在膜电位上。当膜电位超过阈值时，神经元放电并向网络中的其他神经元发送输入，放电速率可编码为连续变量——激活。

2.2 神经网络的集体特性

当单个探测器连接成网络时，会展现出有用的集体特性，这些特性是认知的构建块。包括将输入模式转换为强调某些区别并消除其他区别的模式、双向的自上而下和自下而上处理、模式完成、放大和自举、吸引子动力学、抑制竞争和活动调节（导致稀疏分布式表示）以及多重约束满足等。

2.3 神经网络的学习机制

神经网络中的神经元可以根据发送和接收单元的激活值调整权重来学习。主要有两种学习目标：模型学习和任务学习。模型学习使网络捕捉环境相关结构的重要方面，任务学习使网络学习特定任务。这两种学习目标互补且协同，可通过已知的突触修改机制实现。此外，还可使用内部上下文表示和预测未来奖励的机制来学习时间扩展或顺序任务。

2.4 认知架构

基于上述机制，可以构建一个整体的认知架构。根据基本神经网络机制产生的基本权衡，可以定义三个不同的大脑区域。例如，海马体系统和其他皮层在学习速率上存在权衡，前额叶