发布时间：2025-11-24

文章标题：面向高效序列记忆的脑启发动力学模型——基于感知-记忆-语义三层耦合网络实现双向检索与高效学习 Neurocomputing 2026

内容：

 

近日，西安交通大学生命科学与技术学院健康与康复科学研究所课题组在Elsevier旗下神经计算领域期刊《Neurocomputing》上发表题为“A brain-inspired neurodynamic model for efficient sequence memory”的研究论文。该研究受大脑多脑区协同处理序列信息的生理机制启发，构建了一种感知-记忆-语义三层结构的神经动力学模型（简称PMS模型），用于模拟序列记忆的编码、存储与检索过程。该工作的合作者包括清华大学心理与认知科学系弭元元副教授，英国阿伯丁大学Celso Grebogi院士等。

研究团队基于生物神经元（LIF模型）与突触可塑性机制（STDP与Hebb学习规则），设计了一个具备明确功能分层的网络架构：

• 感知层（Layer I）负责接收外部输入，对应数字、文字等基本元素；
• 记忆层（Layer II）在兴奋性神经元集群中通过有向链结构存储序列顺序；
• 语义层（Layer III）处理与序列相关的高层语义信息。

 

该模型的主要特点包括：

1. 支持双向检索机制：在网络中可实现自下而上的上下文检索（如通过部分序列唤起语义）和自上而下的目标检索（如通过语义概念完整回放序列）；
2. 记忆空间优化：在新序列的学习中，模型能够识别并复用已记忆的相同片段，从而减少存储资源的重复占用，提升记忆效率；
3. 动态神经元分配：网络中的神经元集群并非预先指定编码内容，而是根据任务需求动态分配，具备较好的灵活性；
4. 层间信息耦合必要性：检索过程中正确序列的发放依赖于各层之间的信息协同与增强，单一层面的信息不足以完成完整检索任务。

 

 

 

 

此外，研究还通过模拟神经网络中不同耦合的损伤（如层间投射或层内连接的删除），分析了其对记忆检索功能的影响，为理解记忆衰退的机制提供了计算模型参考。

该PMS模型在连续序列学习与双向检索任务中表现出良好的生物合理性与功能完备性，未来通过扩展层次化结构，设计多级嵌套的计算模块，有望进一步模拟更复杂的认知任务，并为基于脉冲神经网络的序列记忆算法设计提供理论启示。

论文详细信息：

• 标题：A brain-inspired neurodynamic model for efficient sequence memory
• 期刊：Neurocomputing
• DOI：https://doi.org/10.1016/j.neucom.2025.131849
• 作者：Runchen Lai, Youjun Li, Fan Yang, Ying Li, Nan Yao, Chunwang Su, Si-Ping Zhang, Yuanyuan Mi, Celso Grebogi, Zi-Gang Huang*