面孔模块的产生： 计算进化的视角

刘济瑞

尽管进行了广泛的研究，但由于遗传、发育和环境因素的复杂相互作用，人类大脑中梭形面部区域（FFA）等认知模块的形成仍然难以捉摸。 最近的计算建模研究虽然有用，但受到其预定架构的限制。 为此，我们引入了 Dual tAsk Meta-Learning Partitioned (DAMP) 模型，将预训练的 ANN 编码器与动态、进化元学习组件相结合。 这种创新配置使模型能够自主适应和进化，通过模拟自然选择的遗传算法优化其架构。 DAMP 模型可能的进化结果之一是模块化架构，其中不同的神经块处理特定类型的信息。 我们的研究结果一致表明模块化架构的出现，无论认知任务（识别或分类）或刺激（面部或非面部物体，如汽车）的性质如何。 相反，模块化的程度受到模型结构连通性的影响。 这表明神经结构和连接性在面部专业化和模块化的出现中比任务和刺激的性质发挥着更重要的作用。 此外，与面部相关的模块比其他对象类别的模块更容易形成，可能是由于它们的同质性和独特性，这与之前的发现一致。

结构互联性通过调节神经表征流形维度影响选择性和泛化性

张艺源

物体识别需要在选择性和通用性之间取得微妙的平衡，选择性有助于在不同条件下精确识别物体，而泛化性则有助于识别各种不同的物体。我们提出，实现这种平衡的核心是在支撑选择性和泛化性的神经表征流形中选择适当的维度。通过在猕猴下颞叶（IT）皮层进行神经生理学实验，我们观察到从TEO到TEa的互连性梯度与选择性、泛化性和表征维度的变化相对应。为了探索从互联性到维度再到功能的因果关系，我们构建了一个动态计算模型，模拟腹侧颞叶皮层。通过调制模型中的互联性阐明了其中的因果联系，并证明了类似于腹侧颞叶皮层的互联性所调节的维度对于实现选择性和泛化性的最佳平衡至关重要。此外，我们还通过分析模型的能量和机制证明了这一关系。总之，我们的研究表明，类脑互联在实现选择性和通用性之间的平衡方面发挥关键作用，为物体识别的神经基础和人工神经网络的设计提供了启示。

深度生成模型揭示大脑的认知发展机制

吴越

大规模生成式模型,以及生成式预训练已经在语言、视频生成等人工智能领域取得了巨大成功，逐渐涌现出演绎推理、世界模型等高级认知功能。本研究提出假设,由于生成模型与大脑工作方式的根本相似性,它们能解释一系列发展认知理论,特别是自闭症谱系障碍(Autism Spectrum Disorder, ASD)的认知发展机制。 我们利用分层变分自编码器(H-VAE, Hierarchical Variational Autoencoder)对ASD的认知特点进行了建模。通过分层编码的实验结果表明,隐变量维度的变化能反映ASD个体在局部和整体信息加工间的失衡,与ASD的中央连贯性弱化理论(Weak Central Coherence theory)相符。这一发现表明,H-VAE模型中不同层级隐变量维度的平衡,可以用来理解ASD个体独特的知觉和认知方式。 此外,变分自编码器也能模拟孩童在成长过程中绘画的多样性和细节变化。我们的研究表明深度生成模型能够阐明非典型知觉和认知特点的形成机制，为深入理解大脑的生成式机制提供了新的视角。