1、具有稳态的循环神经网络中的非周期（混沌）行为：作为行为新奇性的来源及应用

具有稳态的循环神经网络中的非周期（混沌）行为：作为行为新奇性的来源及应用

引言

理解认知系统的一种方式是思考神经控制器（微观层面）和智能体身体配置（宏观层面）之间的依赖关系。在循环神经网络（RNN）中建模的神经动力学，由单元和连接的自组织规则决定。这种微观动力学通过指挥肌肉动作来引导身体配置。另一方面，智能体的自我感知使身体配置状态影响神经动力学。因此，认知智能体在多级因果循环中工作。

然而，RNN在为认知智能体建模神经控制器时存在明显局限性，其动力学可能收敛到神经状态空间的一个小区域，极端情况下会收敛到固定点或极限环，只有少数神经状态被访问。由于智能体的身体配置主要由神经活动决定，有限的神经动力学意味着智能体身体的动态也有限，可能表现为完全“冻结”或反复做同一件事。

自然认知智能体（如动物和人类）在清醒时能保持几乎连续的行为，因此认知建模和工程中的神经控制器也应具备这种能力。具有自适应阈值的RNN可以模拟神经稳态，提供了一种可能的解决方案。当RNN中的单元具有动态改变阈值的规则时，整个神经网络的行为会变得复杂，从接近周期性的行为到非周期性（或混沌）行为。与智能体身体耦合时，这种神经动力学可用于产生身体配置动态的可变性，这是认知智能体在宏观层面的行为。这种可变性是智能体在其环境中自主发现身体行动可能性的关键条件。

不过，仅靠这种机制可能不足以产生创造性或新奇的行为。没有感知身体和环境的传感器，神经活动就无法受到身体配置的影响。因此，单纯的神经混沌不能保证智能体表现良好。引入能干扰单个神经元和集体动力学的传感器，为发展结构化行为提供了额外机制。从形式上看，拥有自我和环境感知传感器的智能体可以改变神经状态空间的概率分布，进而改变智能体身体配置的动力学和概率分布，可