14、类量子网络与记忆过程解析

类量子网络与记忆过程解析

1. 类量子网络基础

在探讨类量子网络时，我们从一个表达式开始：
[
\begin{align }
&(-1)^{1.0}(1 \otimes e_A^i \wedge e_A^j) + (-1)^{0.0}(e_A^i \otimes e_A^j) + (-1)^{1.1}(e_A^j \otimes e_A^i) + (-1)^{0.1}(e_A^i \wedge e_A^j \otimes 1)\
=& 1 \otimes e_A^i \wedge e_A^j + e_A^i \otimes e_A^j - e_A^j \otimes e_A^i + e_A^i \wedge e_A^j \otimes 1
\end{align }
]
随着时间推移，这一结果会是对解释该序列的函数自身卷积的指数运算。b - 神经元之间的连接若能像本征态一样长时间保持稳定，且使源网络满足长时程增强（LTP）定理的条件，就能有效地在b - 网络之间传递激发模式。

2. 白质束的连接模式

在脊椎动物的大脑中，白质束类似于计算机工程术语中的电子总线或数据高速公路。它由大量紧密排列的快速作用的有髓轴突组成，连接着特定的大脑区域，在大脑连接性中起着至关重要的作用。白质束通常由平行排列的轴突长块组成，还常包含孤立的间质中间神经元样细胞和其他结构。由于大多数深入研究方法具有侵入性，使得解剖困难，所以白质束的详细解剖结构难以确定，但它在决定认知功能方面的重要性已得到充分证实。

白质束可被建模为解释b - 网络常见序列的映射，形式如(!A \vdash!