A simple model of co-emergence of grid and place fields¶

会议: NeurIPS 2026
arXiv: 2605.21356
OpenReview: https://openreview.net/forum?id=3gP67zjrHg
代码: https://github.com/grasp-lyrl/grid_and_place
领域: 其他
关键词: 网格细胞与位置细胞, 协同涌现, 戴尔法则RNN, 感觉预测目标, 空间导航表征

一句话总结¶

提出首个基于单一下一刻感觉预测目标并满足戴尔法则的循环神经网络，在无需空间坐标监督或预设细胞先验的前提下实现了内侧内嗅皮层网格细胞与海马位置细胞的端到端协同涌现。

研究背景与动机¶

空间导航依赖内侧内嗅皮层（MEC）网格细胞与海马体（HC）位置细胞的紧密协作。前者呈周期性六边形三角点阵放电，为空间提供高效的度量坐标；后者则在环境特定位置呈现局域化单峰或少峰放电，表征情景与感觉经验。在神经解剖上，MEC与海马区存在双向高度互联，两者的相互依赖在计算神经科学中催生了长期的“先有鸡还是先有蛋”悖论：经典理论要么将网格细胞视为傅里叶基函数并通过 Hebbian 竞争学习生成位置细胞，要么利用位置细胞的感觉重整化信号为网格细胞提供路径积分误差校正。现有计算模型几乎都处于割裂状态——基于路径积分的 RNN 模型需要硬编码的位置细胞目标（如高斯差分 DoG 滤波）才能学出网格细胞，而基于感觉自编码或时序压缩的 RNN 模型只能涌现出位置细胞或时间细胞，缺乏产生网格周期的动力学机制。

直接通过双向连接将这两种独立模型拼合却彻底失效：感觉驱动区域虽能维持位置细胞，但原本接收运动输入的无感觉输入区域却只能形成杂乱无章的条纹状或多峰不规则发放，无法产生六边形点阵。这种失败源于四重深层生理与动力学约束的冲突：其一是时间尺度冲突，位置细胞去噪需要较慢的整合时间常数，而网格细胞需要静止时状态冻结、运动时快速重构的门控动力学；其二是结构预设壁垒，人为割裂海马与MEC输入流阻碍了共享表征的自组织；其三是运动输入假设失真，传统模型依赖全局绝对位移，而动物真实接收的是以自身为中心的旋转和速度信号；其四是生物物理约束缺失，传统 RNN 权重任意正负，破坏了兴奋-抑制平衡所必需的动力学分工。

本文的切入角度是打破预先划定脑区的结构先验，将双向海马-内嗅回路建模为一个统一的连续时间循环神经网络。本文的核心 idea 是：将生物物理层面的戴尔法则（Dale's Law）与以自身为中心的感知-运动信号相结合，仅通过「从受损历史感觉中预测下一刻感觉观测」这单一自监督目标，即可驱动网络在感觉流形上完成收缩去噪与动作状态转移，从而实现网格细胞与位置细胞的自发协同涌现。

方法详解¶

整体框架¶

模型将内嗅-海马系统抽象为一个由 $N=2048$ 个神经元构成的离散化连续时间 RNN。隐藏层不预设 MEC 或海马身份，仅按外部连接划分为两类亚群：感觉驱动神经元（Sensory-driven，1024 个）接收被掩码的感觉观测和以自身为中心的运动线索，并线性解码预测下一时刻感觉；循环驱动神经元（Recurrent-driven，1024 个）不接受任何直接外部输入，完全依赖与网络内部其他神经元的循环连接驱动。网络遵循戴尔法则（80% 兴奋性，20% 抑制性），且偏置项恒定为零，迫使放电抑制只能通过真实的抑制性突触反馈完成。在训练过程中，智能体在包含环境边界的二维或三维空间中执行平滑随机游走，网络通过沿长轨迹截断的反向传播最小化下一时刻感觉预测的均方误差。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    In["输入：带遮挡感觉观测 + 自身中心运动"] --> Split["戴尔法则约束的隐藏层网络"]
    Split --> D1["1. 戴尔法则符号解耦参数化与稳态突触缩放"]
    D1 --> D2["2. 边界感知扩散感觉模拟与流形投影分解"]
    D2 --> D3["3. 放电率依赖的高斯扰动与跨步截断反向传播"]
    D3 --> Out["预测下一刻未遮挡感觉观测"]

关键设计¶

1. 戴尔法则符号解耦参数化与稳态突触缩放：施加神经生物物理连接硬约束

传统人工循环神经网络允许单个神经元对不同目标输出正负任意的突触权重，这不仅违背了神经生物学的戴尔法则，还使得抑制机制无法形成自洽的动力学吸引子结构。为了严格遵从每个神经元轴突投射纯兴奋性或纯抑制性的法则，模型将循环权重矩阵拆分为固定符号向量与可学习非负幅度矩阵的乘积： $$W_{ij} = |M_{ij}|\,s_j$$ 其中 $s_j \in \{-1, +1\}$ 在网络初始化时按 8:2 比例确定后永久固定。这种参数化形式使得梯度反向传播仅作用于非负幅度矩阵 $|M|$，天然规避了投影截断操作。同时，针对人工反向传播速率过快导致的长程动力学漂移和对新环境的灾难性过拟合，模型在每次参数更新后引入软稳态突触缩放（Homeostatic Synaptic Scaling）： $$M_{ij} \leftarrow M_{ij}\left(\frac{c_j^*}{\sum_k M_{kj}}\right)^\eta$$ 其中 $c_j^* = \sum_i M_{ij}$ 为初始化时记录的神经元初始总传出突触强度，$\eta=10^{-3}$ 为缩放指数。该机制在不破坏局部权重可塑性的前提下，维持了网络整体放电平衡，确保网格周期场在数万步以上的连续探索中不发生对比度衰退。

2. 边界感知扩散感觉模拟与流形投影分解：为预测目标提供物理连续性与状态转移基底

空间细胞的形成本质上源自对高维物理感觉流形的隐式降维。以往模型使用二维高斯卷积平滑感觉场，导致感觉信号在穿过墙体时发生非物理虚假穿透。模型引入基于局部有限自由空间的边界感知扩散过程：通过在非阻隔网格上迭代执行 $3 \times 3$ 均值滤波 $n_{\text{iter}} = \lceil 1.5\sigma^2 \rceil$ 步，构建出严格被环境物理几何墙体阻断的多尺度感觉特征（平滑核宽 $\sigma \in \{6, 8, 10, 12\}\,\text{cm}$）。在理论机制上，下一刻预测目标被分解为流形外收缩与流形内转移两个互补数学压力：感觉通道的独立随机掩码（比率 $r_{\text{mask}}$）迫使网络将偏离低维流形的受损状态通过局部吸引子拉回真实流形，由感觉驱动神经元自发演化出局部响应的位置野；而连续运动信号 $m_t$（相对旋转角度与归一化标量线速度）则驱动网络沿流形切空间进行状态推演，由于无感觉直接输入的循环神经元需要表征平移不变的状态变换算子，在抑制性侧向抑制的协同下自发构成了类似局部坐标系（Local Chart）的六边形周期网格。

3. 放电率依赖的高斯扰动与跨步截断反向传播：稳定连续长时程动力学演化

真实皮层放电展现出近似泊松过程的方差特征，神经元放电率越高其随机涨落越显著。模型在每次膜电位确定性状态更新后注入放电率调控的乘性噪声，并施加非负截断： $$\tilde{h}_i = \max\left(0,\, h_i + \sqrt{\sigma_n h_i + \epsilon}\,\xi_i\right),\quad \xi_i \sim \mathcal{N}(0, 1)$$ 这一随机扰动阻止了循环网络退化为简单的直通记忆，迫使循环子群必须形成具鲁棒拓扑稳定性的全局吸引子流形，而六边形密堆积网格正是二维连续吸引子抵抗各向同性噪声扰动的最高效编码方案。此外，为消除传统模型中每 20-40 步人为重置隐状态带来的非生理时序碎片化，模型采用跨训练片段截断 BPTT（Truncated BPTT）：将前一训练片段末尾的隐状态 detach 后直接作为当前片段的初始状态，确保智能体能够在连续长程轨迹（如发卡迷宫穿行、多房间穿梭）中积累自洽的空间相位，成功捕获网格破碎与缝合等动态拓扑重组现象。

损失函数 / 训练策略¶

网络的优化目标极为简洁纯粹，仅最小化感觉驱动群体线性读出 $\hat{o}_t = C\,h^{\text{sens-drv}}_t$ 对下一真实未掩码感觉 $o_{t+1}$ 的预测均方误差： $$\mathcal{L} = \sum_t \|\hat{o}_t - o_{t+1}\|_2^2$$ 模型采用 AdamW 优化器，学习率为 $5 \times 10^{-4}$，梯度范数截断上限为 1.0。离散化仿真时间步长为 $\Delta t = 1/20\,\text{s}$，漏失率设为 $\alpha = 0.5$（对应膜时间常数 $\tau = 2\Delta t = 0.1\,\text{s}$），激活函数采用光滑非负的 Softplus，且偏置项固定为 $b_i = 0$。

实验关键数据¶

主实验¶

在 $220\,\text{cm} \times 220\,\text{cm}$ 典型方形开阔场地上，模型经 200,000 步训练后，通过严格的空间信息量（$\text{SIC} > 0.2$）、放电场局域化准则（连通区域 $<3$ 且主峰质量 $>35\%$）以及自相关网格得分（$\text{GS} > 0.3$）进行细胞分类。模型在无任何空间坐标或网格监督的情况下，展现了高质量的网格与位置细胞协同分布。

模型架构配置	目标任务	网格细胞数 (GS>0.3)	位置细胞数	网格平均间距	60°周期性验证
Ours (完整协同涌现模型)	下一刻感觉预测	58 (单次) / 30.0±19.2	307 (单次) / 299.4±4.9	25.6 cm	显著六边形卫星峰
直接拼接模型 (Place+Grid)	感觉重构+速度输入	0 (仅条纹/多峰非网格)	280+	N/A	无六对称性
传统路径积分 RNN [8]	监督 DoG 位置靶标	约 30-80 (依赖超参)	未建模 (采用人工靶标)	取决于尺度先验	人工先验诱导
感觉自编码 RNN [11]	感觉去噪重构	未建模 (为 0)	约 250-320	N/A	无网格放电

消融实验¶

为了验证各个关键生物物理设计与输入线索的必要性，在相同训练步数下对核心模块进行了系统消融（采用标准 $\text{GS}>0.3$ 判定）：

消融配置	网格细胞数 (GS>0.3)	位置细胞数	涌现表征质态说明
Full Model (完整模型)	58	307	完美共存：循环区出网格，感觉区出位置
移除戴尔法则 (无正负号约束)	3	295	绝大多数网格退化为条带状或多峰不规则场
可学习偏置 $b_i$ (非零偏置)	0	312	偏置绕过侧向抑制机制，完全摧毁周期六边形
移除稳态突触缩放 ($\eta=0$)	52 (初期) $\to$ 0 (长期)	280	长时程训练后放电对比度衰退，跨房间易发散
替换为全局绝对运动输入	49	302	仍能协同涌现，证明自身中心输入非脆弱假设
完全移除运动信号输入	41	315	仍能涌现，网络自发从连续感觉流中推断位移

关键发现¶

关键机制贡献排序：零偏置约束（维持抑制回路主导）与戴尔法则（保证兴奋/抑制极性分工）是网格结构诞生的绝对核心支柱；任何允许网络通过全局偏置或任意符号矩阵偷懒的松弛都会导致网格细胞数归零。
参数扫描鲁棒性：在涵盖衰减率 $\alpha \in [0.1, 1.0]$、噪声 $\sigma_n \in [0, 0.45]$ 与掩码比 $r_{\text{mask}} \in [0, 0.9]$ 的 1000 种训练配置网格扫描中，位置细胞在全空间极为稳健；而网格周期性更偏好较高的放电率扰动噪声 $\sigma_n$。过高的掩码率（$>0.6$）会使循环驱动区域也被迫参与去噪重构，从而被位置细胞全面占据。
生物实验现象零样本复现：未经针对性微调的网络自然重现了多项神经电生理经典现象：
发育时序：位置细胞先于网格细胞发育成熟（与幼鼠发育记录完全吻合）；
发卡迷宫：狭窄走廊强制约束下网格点阵破碎为沿走廊分布的条带，重返开阔场后六边形点阵复原；
两室隔墙移除：原本独立的两个房间网格在拆墙后自发合并为横跨全场的全局统一六边形晶格，而位置野保持原位稳定；
三维体积飞行：在 3D 自由飞行动力学下，位置细胞呈现 3D 团块，网格细胞展现出具备局部有序但无全局晶格的多峰球状分布，与自由飞行蝙蝠的记录完全一致。

亮点与洞察¶

单一预测目标的计算优雅性：无需设计任何复杂的辅助损失或几何对比损失，仅凭类似语言模型的“预测下一刻感知（Next-Observation Prediction）”自监督目标，就将空间环境的时空拓扑结构内化为高维神经吸引子。
海马-内嗅功能分工的自组织解释：解释了为什么大脑无需预先规定“内嗅皮层算坐标、海马体存情景”。仅仅是由于感觉传入通路的解剖物理隔离，直接面对感觉噪声的神经群天然充当了收缩去噪的位置吸引子，而深层的循环神经群则特化为支撑连续状态推演的网格度量流形。
可验证的全新实验预测：模型明确预测，在发卡迷宫实验中，即便网格细胞发生了剧烈的条带化破碎，对应位置细胞的发放中心依然在物理空间上与开阔场保持精确对齐；同时在隔墙拆除瞬间，位置细胞野应瞬时保持稳定，而网格细胞会经历从双独立点阵到单一点阵的连续拓扑重构。

局限与展望¶

离散网格模块分级缺失：生物 MEC 中的网格细胞呈现沿背腹轴分布的离散离散化尺度模块（Module），而本文模型在单个循环层中仅自发形成了单一尺度（平均间距约 $25.6\,\text{cm}$）的连续网格，尚未涌现出多尺度的层级离散谱系。
边界细胞与头朝向细胞表征尚待系统量化：尽管初步分析表明模型中伴随出现了边界响应细胞和类似绝对头朝向细胞的神经元，但尚未在数学上建立其与网格形成之间的因果动力学链条。
环境几何形变动力学有待探究：生物实验中突变环境长宽比会导致网格拉伸剪切，未来需要结合边界细胞与网格细胞的交互机制，在多层多区域网络中拓展环境形变适应性。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首次在单一无监督感觉预测目标与戴尔法则下解决海马-内嗅协同涌现的“先有鸡还是先有蛋”悖论。
实验充分度: ⭐⭐⭐⭐⭐ 覆盖 1000 组参数扫描、系统消融，并完美零样本复现发育时序、发卡迷宫、两室拆墙与 3D 飞行蝙蝠四大实验。
写作质量: ⭐⭐⭐⭐⭐ 逻辑论证极其严密，概念提炼精炼，计算神经科学理论与机器学习动力学结合浑然天成。
价值: ⭐⭐⭐⭐⭐ 为空间认知、神经回路自组织及具身智能的紧凑空间状态表征提供了重大的里程碑式统一视角。