脑模型中的神经元集合序列计算

基于摘要分析。本文研究脑的神经活动形式模型如何识别、存储和操作时间序列，核心贡献是将时间先后关系编码到突触权重及可塑性中，使神经元集合（assemblies）能够支持序列记忆与计算。研究对象是认知计算的形式模型，而非 EEG 解码算法或 BCI 系统。 机制上，工作沿用 Papadimitriou（2020）提出的模型，从神经元集合的创建与操作扩展到集合序列。作者报告，反复呈现刺激序列可形成对应的集合序列；此后呈现序列中的任一刺激，便可激活相应集合及其后续集合，依次回忆直至序列末尾。这一机制将序列顺序体现为神经活动的连续激活，而非仅存储孤立刺激。 作者还报告，将同一刺激序列同时呈现给两个脑区可形成支架式表征（scaffolded representation），提高记忆与回忆效率，并称其与认知实验一致。摘要进一步声称，通过呈现适当的序列模式，同一模型能够学习任意有限状态机；但其学习条件、资源需求、适用边界，以及这些结论分别依赖何种证明或模拟，尚未验证。 该工作的主要价值在于探索简单神经活动规则能否统一支持时序记忆与状态转换计算，不能据此认定其已解释真实脑区机制或验证了 BCI 效果。现有材料不足以建立从模型内部神经元集合到 EEG 等观测信号的具体对应关系，因此不提出迁移实验建议。模型细节、实验协议、消融及统计信息尚未验证；已有 EEG 相关工作尚未检索确认。