编辑推荐：
大脑如何协调多区域完成复杂学习任务一直是未解之谜。研究人员围绕控制器 - 外周架构开展范畴学习研究。结果显示该架构模型能解释大脑区域协同机制，比其他模型更契合人类行为和大脑反应。这为理解大脑功能提供新视角。
在探索大脑奥秘的征程中，科学家们一直对大脑如何协调多个区域完成复杂任务感到困惑。长久以来，虽然众多研究表明大脑存在控制相关的调节作用，但能够解释大脑区域间协调机制的可测试理论却极为匮乏。就像在黑暗中摸索，大家知道有某种力量在发挥作用，却始终看不清它的真面目。在这个背景下，关于大脑区域如何协同工作的研究变得尤为重要。此前，认知模型和深度学习模型都各自存在局限性，认知模型虽能捕捉行为，但在感知方面有所欠缺；深度学习模型虽能处理感知任务，却难以解决协调问题。因此，开发一种能整合两者优势、解释大脑区域协调机制的模型迫在眉睫。
伦敦大学学院（University College London）等机构的研究人员开展了一项极具意义的研究。他们提出了控制器 - 外周（controller - peripheral）架构这一创新框架，并在此框架下开发了一个形式模型用于范畴学习研究。研究结果表明，该模型能够有效解释大脑区域（如腹侧视觉流、海马体和腹内侧前额叶皮层（vmPFC））如何协调以支持快速学习，且在解释人类行为和大脑反应方面比其他模型更具优势。这一成果发表在《Scientific Reports》上，为我们理解大脑的学习机制提供了新的思路和方向。
在研究方法上，研究人员主要运用了以下关键技术：一是构建模型，将基于 SUSTAIN 改进的控制器模块和基于 VGG - 16 改造的外周模块相结合，组成控制器 - 外周模型；二是采用功能磁共振成像（fMRI）技术，收集人类学习过程中的大脑数据，以此来验证模型与大脑活动的相关性。
研究结果部分：
- 控制器 - 外周模型优化符合耗能原理，能捕捉复杂学习行为：研究人员利用包含昆虫刺激图像的数据集进行实验，该模型成功捕捉到人类的学习表现，其控制器的聚类解决方案和注意力权重与 SUSTAIN 相似。而对比模型由于缺乏控制器 - 外周架构和耗能原理的约束，学习不稳定，无法解释人类学习行为。这表明该架构对于快速、逐次试验学习至关重要。
- 控制器 - 外周框架解释跨系统神经活动：
- 控制器注意力追踪 vmPFC 的神经压缩：通过分析控制器注意力权重与 vmPFC 神经压缩之间的关系，发现两者的压缩分数匹配，均显示出随着学习，相关维度较少的学习问题压缩程度更高的特点。这说明控制器的注意力策略能反映 vmPFC 在学习过程中的信息压缩机制。
- 外周活动与腹侧视觉流中的神经表征一致：研究聚焦于外周模型的末端（对应 LOC），发现其活动与 LOC 的神经表征相符。如外周注意力权重的稀疏性反映了任务复杂性，控制器需求高时，外周对相关特征编码更精确，信息损失更低，且与 LOC 的解码误差相关。这表明外周能根据控制器需求调整活动，为其提供所需信息。
研究结论和讨论部分，控制器 - 外周框架为大脑区域协调提供了机械性解释。该框架下的模型详细说明了高级目标和知识状态如何影响外周的注意力分配，成功解释了多个大脑区域在范畴学习中的作用和相互作用。同时，该模型还超越了传统的感知 - 认知二分法，为理解大脑功能提供了更全面的视角。虽然研究取得了重要进展，但仍有进一步拓展的空间，例如可考虑概念的巩固和整合，以及将该框架应用于更多脑区和认知过程的研究。总体而言，这一研究成果为神经科学领域研究大脑区域协调机制提供了新的有力工具，有望推动相关领域的进一步发展。
