ICLR 2026 Oral hippocampus spatial coding locomotor development RNN place cells head direction cells cognitive maps

From Movement to Cognitive Maps: RNNs Reveal How Locomotor Development Shapes Hippocampal Spatial Coding¶

会议: ICLR 2026 Oral
OpenReview: 8bM7MkxJee
代码: 有
领域: 计算神经科学
关键词: hippocampus, spatial coding, locomotor development, RNN, place cells, head direction cells, cognitive maps

一句话总结¶

结合幼鼠运动发育的聚类分析和浅层 RNN 预测学习模型，首次计算性地证明运动统计特征的发育变化（爬行→行走→奔跑→成年）驱动了海马空间调谐神经元（位置细胞、方向细胞、联合编码细胞）的序贯涌现，定量复现大鼠海马记录数据的发育时间线，并预测了联合位置-方向编码细胞在发育中逐渐增多这一现象且在实验数据中得到验证。

研究背景与动机¶

领域现状：海马体中存在位置细胞（place cells）、头方向细胞（HD cells）、边界细胞（border cells）、网格细胞（grid cells）等空间编码神经元。它们在个体发育中按特定时间线依次涌现（HD 细胞最早 ~P12，位置细胞 ~P16，网格细胞 ~P20），但驱动其涌现的计算机制未知。

现有痛点：已有模型（如 Cueva & Wei 2018、TEM）能在训练过程中产生空间表征，但它们使用恒定运动模式、直接提供空间坐标作为监督信号，从未考虑真实运动发育统计的影响。两种竞争假说——"内在电路成熟" vs "经验依赖发育"——尚无计算模型直接检验。

核心矛盾：运动经验被假设对空间认知至关重要，但没有计算模型能解释为什么发育不同阶段的运动特征（速度、加速度、转弯频率等）会导致不同类型的空间神经元在特定时间点涌现。

本文目标 建立运动发育统计与海马空间编码涌现之间的因果计算链路。

切入角度：用数据驱动方法提取真实幼鼠运动的发育阶段统计，驱动预测学习 RNN，检测其是否自发涌现出与生物数据匹配的空间编码发育时间线。

核心 idea：具身感知运动经验（embodied sensorimotor experience）的发育统计变化足以驱动海马空间编码的个体发育。

方法详解¶

整体框架¶

分析真实幼鼠开放场行为数据，提取运动统计并通过聚类识别发育阶段；2. 用各阶段运动统计驱动模拟环境中的智能体产生轨迹；3. 在轨迹上训练浅层 RNN 做一步视觉预测任务；4. 各发育阶段依次训练后分析 RNN 隐藏状态的空间调谐特性，与海马记录数据对比。

关键设计¶

运动发育阶段提取:
- 功能：从已发表的幼鼠开放场实验数据中提取运动统计特征（速度、加速度、角速度等），使用聚类方法识别发育阶段
- 核心思路：K-means 聚类将 P12–P60 的运动数据自动分为三个发育阶段——爬行（crawl, ~P12-P15）、行走（walk, ~P16-P19）、奔跑（run, ~P20+），加上成体阶段
- 设计动机：避免人为定义发育阶段，让数据驱动的聚类揭示运动模式的自然转折点，确保输入 RNN 的运动统计真实反映生物学
预测学习 RNN 模型:
- 功能：浅层 RNN 接收当前时刻的全景视觉 \(\mathbf{v}_t \in \mathbb{R}^{80}\) 和前庭信号（角速度 \(\omega_t\)），通过隐藏状态 \(\mathbf{h}_t\) 预测下一时刻的视觉输入 \(\hat{\mathbf{v}}_{t+1}\)
- 核心思路：\(\mathbf{h}_t = f(\mathbf{W}_{vh}\mathbf{v}_t + \mathbf{W}_{hh}\mathbf{h}_{t-1} + \mathbf{W}_{\omega h}\omega_t + \mathbf{b})\)，损失函数为 \(\mathcal{L} = \|\hat{\mathbf{v}}_{t+1} - \mathbf{v}_{t+1}\|^2\)
- 设计动机：预测学习框架被广泛支持（Eichenbaum et al. 2004; Levy 1989），海马被视为比较传入感觉与记忆预测的系统。使用自我中心视觉而非位置坐标，避免提供特权空间信息
渐进发育暴露训练策略:
- 功能：RNN 依次暴露于各发育阶段的运动轨迹——先在爬行模式轨迹上训练至收敛，再切换到行走、奔跑、成体阶段
- 核心思路：每个阶段的轨迹由具有该阶段运动统计（速度分布、转弯频率等）的模拟智能体在 0.625×0.625m 环境中运动生成。成体阶段额外引入网格细胞输入 \(g(\mathbf{x}) = \sum_k \cos(\mathbf{k}_i \cdot \mathbf{x})\)，scale 参数 \(\lambda \in \{0.2, 0.4, 0.6\}\) m
- 设计动机：模拟真实动物的发育过程——幼鼠在不同年龄表现出质性不同的运动模式，这些模式提供了不同统计特征的感觉经验

空间调谐量化¶

使用标准空间信息指标 \(SI = \sum_i p_i \frac{r_i}{\bar{r}} \log_2 \frac{r_i}{\bar{r}}\) 量化位置编码，Rayleigh 向量长度（RVL）量化方向选择性，阈值法识别位置细胞和 HD 细胞。对照实验包括：反转发育顺序、控制帧间时间间距、控制累积训练量。

实验关键数据¶

主实验：发育时间线匹配¶

发育阶段	对应年龄	位置细胞	HD 细胞	联合编码	生物数据匹配
爬行 (crawl)	~P12-15	少/无	微弱	无	✓
行走 (walk)	~P16-19	涌现	成人样	涌现	✓
奔跑 (run)	~P20+	增多	稳定	增多	✓
成体 (adult)	>P30	成熟	成熟	成熟	✓

消融实验¶

配置	关键指标	说明
正常发育顺序	SI 和 RVL 逐阶段递增	基线：匹配生物数据
反转发育顺序	空间编码涌现模式异常	证明发育顺序重要性
仅加速感觉变化	位置中心表征不涌现	仅改变帧率不等价于运动发育
控制累积训练量	不影响涌现时间线	排除训练量混淆
控制帧间距	不改变核心结论	排除时间分辨率混淆

关键发现¶

模型预测方向选择性主要通过联合位置-方向编码（conjunctive place-HD coding）涌现，而非先产生纯 HD 细胞——在海马记录数据中得到验证
跨试次空间编码相关性 >0.8，证明学到的表征稳定可靠
纯 HD 细胞在行走阶段 (~P16) 出现成人样调谐，匹配 MEC 中 HD 细胞 ~P15 的实验数据

亮点与洞察¶

首个运动发育→空间编码的计算桥梁：此前只有描述性观察，本文首次提供了机制性解释
具身认知的计算证据：运动不仅是输出，还是塑造认知表征的关键输入——对 embodied AI 有直接启示
预测→验证闭环：模型产生新预测（联合编码细胞的发育规律），并在实验数据中确认，这是计算神经科学的黄金标准
发育式课程学习的灵感：类似 curriculum learning，"先简单后复杂"的发育暴露顺序对表征学习至关重要

局限与展望¶

模型为单层 RNN，无法自发产生网格细胞（需要更复杂的 attractor dynamics）
环境为简单的 2D 方形区域，未测试复杂多房间环境
训练在 5.9s 级别短片段上进行，未测试长时间跨度的空间记忆
线性解码方式可能低估表征复杂性
未直接操控真实动物的运动发育来做因果验证

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首次建立运动发育→空间编码涌现的计算机制，问题新颖且重要
实验充分度: ⭐⭐⭐⭐ 计算模型+5项控制实验+真实海马记录验证，唯一遗憾是缺少实际动物干预实验
写作质量: ⭐⭐⭐⭐⭐ 跨学科写作清晰，reviewer 最高评分10分（"should be highlighted as oral"）
价值: ⭐⭐⭐⭐⭐ 对计算神经科学和 embodied AI 有深远启示，建立了新研究方向