您的位置 油气能源非常规气

PNAS论文：一种通用性算法，首次解码动物的空间决策行为

喜欢

来源：互联网
|
2021-12-31
|
0 条评论
|
我要分享
|
T小字　 T大字

对大多数动物而言，生活就是决定要去哪里。

无论是在地上跑、水里游，还是天上飞的动物，在不断“运动”的同时，也在不断的做着决策——这些选择关乎到它们的自身利益和生活品质。从选择潜在的食物来源或避难所到选择与谁交往，显而易见，动物面临的主要挑战就是在空间分布的选项中进行选择。

目前，大多数的研究都聚焦于决策结果或决策时间上，很少关注到动物在整个决策过程中的移动。

然而，在空间决策过程中，移动对于生物体如何代表空间至关重要。从昆虫到脊椎动物等很多物种，通过明确的矢量表示，已经显示出以自我为中心的空间关系，如期望目标的位置。当动物在空间中移动时，这种神经元的表征形式必须而且一定会发生变化。

因此，虽然最初看起来，动物的移动只是大脑所做决定的输出形式，这种观点并未提供特别的信息——它忽略了决策过程中引入的重要的动态特性，而这些特性是由生物体和空间分布选项之间，不可避免地随时间变化的几何关系产生的。

就在近日，由康斯坦茨大学（University of Konstanz）和德国马克斯·普朗克所组成的国际团队，向我们揭晓了答案。

这一研究成果成功解锁了动物应对环境复杂性所采取的主要对策——将世界简化为一系列连续的二元（binary）决策。该论文发表在 PNAS 上，标题为“ The geometry of decision-making in individuals and collectives ”。

而且，最令人震撼的是，无论有多少种选择，此策略均可实现高效的决策。

而研究团队正是通过 VR 技术，解码了动物在多种选择中决定去向时使用的算法。

具体来说，研究团队采用综合的理论和实验方法（沉浸式 VR），在空间中关于两个或多个选项的决策过程中，考虑移动和矢量整合之间的相互作用。

这项研究的重大突破在于，不仅首次提供了一种通用算法的证据，这种算法可以管理跨物种的决策，而且表明了基本的几何原理（geometric principles）可以解释动物如何以及为什么会这样移动。整个自然世界似乎越来越可以通过算法被理解。

1 决策的几何原理

该研究的第一作者、康斯坦茨 MPI-AB 的博士后 Vivek Hari Sridhar 介绍道：“动物在空间中移动时，它们对选择的神经表征（Neural Representations）不可避免地发生着变化，我们的研究表明，在理解空间决策时，将这点纳入考虑范围之内，可以揭示出迄今为止被忽视的新的、基本的几何原理。”

如图 1 所示，尽管动物和目标之间以自我为中心的几何关系不断变化，但在接近目标时，总是存在一个“特殊”的位置，哪怕两者的角度差进一步微小的增加，也会引发系统动力学的骤变，从而产生运动和决策的突然变化。

研究团队通过对模型进行数值分析发现，无论起始位置如何，当动物在空间中达到各自的“恰当”角度时，都会相对突然地选择其中的一个选项。为了更深入地了解空间动态背后的机制，团队进一步构建了模型的平均场近似（mean-field theory），对模拟轨迹中实现的模式展开形式分析。

研究表明，低于神经噪声的临界水平以下，动物在接近目标时会在选项中采用平均值，直到一个关键的阶段转变，系统在此基础上自发地决定选项。

因此，尽管其确切位置有所变化，观测到的突变是系统动力学不可避免的结果，并且总是会发生。

图 1

2 “空间”成分的“加盟”

来自德国、以色列魏茨曼科学研究所（Weizmann Institute of Science）和匈牙利罗兰大学（E%uF6tv%uF6s Lor%uE1nd University）的生物学家、工程师和物理学家联合参与了这项研究。这个阵容强大的跨学科团队，从神经生物学、物理学和动物行为学等多学科中汲取灵感，构建了大脑决策的计算模型。

该模型采用了大脑在“空间”（在本例中是指向潜在目的地方向）中进行选择时的特征表示，以便理解动物如何在移动中做出决策。

“考虑到运动和神经动力学之间的相互作用是关键，” 康斯坦茨大学和 MPI-AB 大学集体行为（Collective Behaviour）系的博士生Sridhar说，“这让我们对大脑如何做决定有了新的认知。”

虽然大多数决策研究只考虑了两种选择，但在真实空间中移动的动物面临的选择会更多。于是，动物如何在空间中的三个或更多的选项（可能的目标）中进行选择，成为一个值得讨论的话题。

研究团队以三个选项为出发点展开，在清楚了解运动和决策动态之间的关系后，再慢慢扩展到更多的选项，甚至考虑选项之间的差异问题，如图 2 所示。

图 2

3 自发的“分岔”

由此产生的模型预测，大脑会自发地将多个选项之间的决策分解为一系列的两个选项，直到只有一个选项——即最终选择的那个——保留下来。

这一发现也证实了，动物在方向上所表现出的一系列突然变化，每一个都与排除剩余选项紧密相关。因此，可以说，每一次方向的改变都是神经动力学（科学家称之为“分岔”）突然变化的结果，在动物与其他选项之间形成非常特定的几何关系。

研究人员发现，该算法非常稳健，以至于他们预测，这种“分岔”过程不仅会导致高度准确的决策，而且还可能是普遍的。团队成员通过叠加模拟动物的多条轨迹的过程中，发现了一个分支结构。于是，他们认为，如果叠加真实动物做出空间决策的多条轨迹，那么，预期这种分支结构也应该是显而易见的。

4 理论的验证

由于从自我中心的角度预测决策过程是顺序的，并且依赖于与目标有关的几何形状，因此可以直接从动物在做空间决策时，所采取的轨迹来可视化决策过程。

在理论研究方面，他们做了一个关键的可检验预测：如果决策集合中的神经群体表现出相对局部的兴奋和长期/整体的抑制，动物在面临相同的选项选择时，可观察其轨迹的分岔；如果是三个（或更多）的选项，那么，复杂的决策任务则被分解成一系列的二元决策。