计算神经科学把大脑写成方程

知识地图 › 05 网络动力学 › 5.2

5.2

吸引子网络与 Hopfield 模型

Attractor networks

★★☆ 核心网络记忆

把记忆存成能量景观里的谷,部分线索就能把状态"滚"回完整的记忆。

核心要点

  1. 对称权重 + 阈值单元 → 存在 Lyapunov 能量函数并单调下降,网络必收敛到不动点或 2-周期。
  2. 容量约 0.138N 个模式(N 为神经元数),超过后出现灾难性遗忘。
  3. 连续吸引子(CAN)把离散的谷变成一条连续的谷,用于表示连续量。

公式

E=-12Σi≠ j wijsi sj+Σi θi si

能量越低越"稳定";Hebb 式存贮取 wij ∝ Σ_μ ξ_i^μ ξ_j^μ / N,每个模式 ξ^μ 成为一个局部极小。

仿真

这个知识点有对应的可交互模型:Hopfield 吸引子。参数改动立即重算,右侧读数条给出当前值。

打开仿真实验室 · Hopfield 吸引子 →

直觉

想象一个有很多坑的碗。每个坑是一个记忆,往碗里放一颗球(给一个线索),球会滚到最近的坑里——这就是"内容可寻址"。

常见误区

把 Hopfield 当成"大脑记忆的真相"。它解释的是"内容可寻址"这一计算原理,而不是海马或皮层的解剖实现。

出处

  • Hopfield 1982, PNAS
  • Amit, Gutfreund & Sompolinsky 1985
回到模块 05