导语：许多动物依赖连续变量的持久内部表征进行工作记忆、导航和运动控制。现有理论通常假设需要大型神经网络才能精确维持此类表征；仅含少量神经元的网络被认为只能产生离散表征。然而，最新研究表明，即使是非常小的网络也可以被调谐来维持连续内部表征，但这会带来对噪声和调谐变化的敏感性代价。这项工作扩展了小型网络的计算能力，并提出了更大的网络可能比以前认为的能够表征更多、更高维度的变量。

研究背景：连续吸引子网络与网络规模

连续吸引子网络是一种神经网络模型，用于维持工作记忆、导航（如头方向、位置、网格细胞）和运动控制中的连续变量表征。其机制通过局部兴奋和广泛抑制的循环连接，形成能量景观中的平坦维度，使得网络活动可以停留于任意点。

经典理论认为，需要大量神经元才能近似无限精度，而小型网络只能产生离散表征，即活动点漂移至有限个稳定取向。然而，这种假设在果蝇头方向系统中受到了挑战。

果蝇头方向系统的挑战

果蝇的头方向系统结构位于中央复合体（CX），由EPG神经元构成环形吸引子网络。该系统的规模非常小，每个半脑仅约有50对神经元，远小于哺乳动物的头方向系统。然而，即使在黑暗环境中，果蝇的头方向系统仍能维持连续且精确的朝向表征，几乎没有明显漂移。这与传统理论中小型网络只能产生离散表征的预期相矛盾。

核心发现：小型网络可生成连续稳定构型

研究团队通过理论模型证明，仅使用少量神经元（最小数量为4个），也可以实现连续稳定的内部表征。模型中，神经元的偏好方向均匀分布于方向空间，而连接权重通过局部兴奋和广泛抑制的机制形成能量景观中的平坦维度。这种网络结构使得活动点能够在方向空间中平滑地移动，维持连续变量的精确表征。

此外，研究还发现，通过调整网络的连接权重和输入信号，可以进一步优化小型网络的性能。然而，这种优化会导致网络对噪声和调谐变化更加敏感。

研究意义与展望

这项研究不仅挑战了传统理论对小型网络计算能力的限制，还为理解神经网络如何维持高维度变量表征提供了新的视角。未来，研究者可以进一步探索更复杂的网络结构如何在不同生物体中实现类似的功能，从而推动人工智能和脑机接口领域的发展。

参考文献：

• 《自然·神经科学》2024年第27卷2207–2217页