J090 Nat Commun |普林斯顿团队: 组合式认知地图模型解析灵活性与效率之争

来源：公众号 PSY-Brain_Frontier ｜ 发布：2025-09-10 ｜ 原文链接

点击蓝字 关注我们 知晓前沿

认知神经科学前沿文献分享

Title:Reconciling flexibility and efficiency: medial entorhinal cortex represents a compositional cognitive map

发表时间： 2025.8.12

Journal：Nat commun

2025 影响因子：15.7

省流总结：

本文旨在解决一个长期未解的问题：大脑如何构建一张既灵活（可应对新目标、新障碍），又高效（无需重新计算）的认知地图。作者提出一种组合式预测地图模型，将线性强化学习中的“默认表征”（default representation, DR）作为认知地图的基底，并引入“预测对象表征”（POR）表示环境中物体或边界的可组合扰动，从而以“搭积木”的方式动态构图。通过数学推导、行为仿真和神经数据比对，作者发现该模型不仅能快速规划近似最优路径，还能模拟内嗅皮层（MEC）中对象向量细胞和网格细胞的关键放电特征，提出了认知地图组合性的统一计算框架与潜在神经机制。

研究动机：

学习和理解环境结构是生物体的先天能力，也是支持灵活行为的重要进化特征。认知地图（cognitive map）被广泛视为这种能力的核心表征形式。研究表明，动物之所以能够在复杂情境中灵活决策，是因为它们构建了对环境的内部地图。例如，小鼠可以在迷宫中通过试错逐步建构迷宫的认知地图，并据此规划通往新目标的路径，甚至在未经历过的区域中找到捷径。这类现象通常由 model-based reinforcement learning（MB-RL）框架加以解释。

尽管这一理论直观而有启发性，但在建模中，认知地图常被简化为对图中每条路径的发现与记忆。这种方式虽支持高度灵活的路径规划，但也带来了巨大的计算负担（需要记住所有潜在路径及其对应结果），难以解释大脑在复杂环境中的快速应变能力。为提升效率，一些研究者引入了“缓存”（即重复利用过去计算结果）和“分块”（将常用的动作序列整合为高阶单元）等机制，以减少实时计算。然而，这些方法虽提升了效率，但由于构图方式缺乏灵活重组能力，往往难以适应新环境或目标变化。。因此，一个核心问题暴露出来：能否存在一种更具生物可行性的认知地图计算方式，既能够高效规划，又具备对复杂场景和目标的灵活组合能力？

想要解决的问题：

解析大脑构建认知地图的计算机制，确认大脑是否可能以类似“搭积木”的方式，将复杂环境中的对象和边界整合进认知地图，并在保证计算效率的同时维持对新情境的高度适应性？

实验设计：

设计1：用线性 RL 中的 DR 表征近似地图规划

假设大脑以类似“搭积木”的方式构建认知地图，其中线性强化学习（linear RL）中的“默认表征（default representation, DR）”作为认知地图的基底，而物体、障碍、目标等环境要素是对这个默认地图的“可组合扰动（compositional perturbations），通过将奖励最大化与控制成本最小化纳入同一优化框架，从而获得一个计算高效的闭式解。该框架避免了传统 RL 中对每条路径迭代计算的需求，为高效近似最优策略提供了神经实现上的可能。

设计2：构建组合式预测地图以支持灵活重组

假设环境中的物体可以被建模为对开阔空间基础地图的扰动，这些扰动以“预测对象表征（predictive object representation, POR）”的形式编码，并可通过矩阵运算高效叠加到默认地图上。基于 Woodbury 矩阵恒等式，作者推导出在已知基础 DR 的情况下，仅需低秩矩阵修正即可组合出新的地图，无需重新求解整个系统，大幅降低了计算复杂度。

设计3：扰动表征（POR）具有平移与旋转不变性并可跨对象组合

假设每个物体的 POR 是具有泛化能力的模块化表征，其对地图的影响与其具体位置或朝向无关，体现出强平移和旋转不变性。作者进一步表明，在多个对象相互之间间隔较远时，各自的扰动可通过线性组合叠加在地图上，近似得到新的预测地图。这种组合方式支持模块间的独立性与可重用性，揭示了认知地图的潜在构建原则。

设计4：组合式地图可支持高效路径规划

在仿真实验中，作者使用已学习的 POR 快速组合出多物体环境的预测地图，并用于路径规划。结果显示，该组合模型在路径效率上接近完整模型的最优表现，显著优于基于随机游走或后验学习的继承表征（SR）模型。进一步，当对象靠得更近时，组合式地图虽略有性能下降，但整体规划效果仍具有较高准确性，证明该方法在不同场景下的稳健性和计算优势。

设计5：MEC 中的对象向量细胞和网格细胞可能支持组合式地图表征

假设内嗅皮层（MEC）中的对象向量细胞（object vector cells）编码物体的 POR，即每个对象对认知地图造成的扰动，而网格细胞（grid cells）则提供开阔空间的基底表征（eigenbasis）。模型预测对象向量细胞的放电具有平移和旋转不变性，可在不同环境中泛化，并可在无经验条件下迅速激活，与已有神经生理研究高度一致。网格细胞则展现出对障碍和目标的局部重映射特征，进一步支持该组合式预测地图在神经机制层面的可实现性。

核心发现：

结果1：组合式认知地图的计算原理

这部分理论结果包括：作者提出的模型框架、数学假设与推导，其目标是构建一个具备高效性与灵活性的认知地图模型

Figure 1：Compositional predictive map model：展示如何通过组合扰动（POR）构建预测地图。图 a–f 逐步演示了单个对象如何影响路径规划、多对象如何组合，以及模型如何更新地图。

Figure 2：The model enables efficient planning：验证组合式地图能否高效用于路径规划，并与完整模型、SR、random walk 进行比较。值得注意的是，只用 Eq.3 的线性组合即可获得良好效果，但进一步更新后效果更接近 ground truth。

结果2：实验预测与神经数据的拟合验证

本部分聚焦于模型能否解释实际神经元活动模式，尤其是 MEC 中对象向量细胞（OVC）与网格细胞（grid cells）的表现。

Figure 3：Object representations are invariant to distance and orientation：对象向量细胞（OVC）的响应不随物体位置或朝向而改变。Høydal 等实验数据，真实 OVC 在对象移动后仍保持一致放电，模型模拟展示 POR 也表现出相同的不变性

Figure 4：Object representations generalize to multi-object environments, and to novel objects and environments：OVC 的放电在多个对象、不同环境下均能泛化。神经数据中，细胞对多个对象/新环境响应稳定。模型模拟展示 POR 也表现出相同的稳定性

Figure 5：Object representations depend on the object size：POR 与 OVC 都对物体大小敏感，但不受物体“高度”影响。真实细胞随物体直径改变响应范围，模型模拟展示 POR 也有相似特点

Figure 6–7：Grid maps change locally with walls or goals：Grid cells 在障碍/目标出现时不会整体重映射，仅表现为局部扰动。Fig 6 (Wernle)：移除墙壁后，原 compartment 边缘保持原 map，连接区域产生重组；Fig 7 (Sanguinetti-Scheck & Brecht)：放置家笼或无 valence 的盒子，引发局部变化；模型模拟结果较为相似。

Figure 8：Predictive representations remap when barriers dominate the space：当障碍遍布空间时（如 hairpin maze），grid cell 和 POR 都发生整体变化。真实数据中呈现周期性重映射和 reset 行为；模型模拟 reproduces 重构性 map 结构。

Figure 9：Goals locally modulate grid fields：目标状态作为“终止状态”，可看作一种特殊的扰动，也会局部改变 grid fields。Boccara 等实验证明目标引发网格场收缩与偏移；模型展现相同局部调节特征。

Author information:

First author & corresponding author:Payam Piray

Department of Psychology, University of Southern California, Los Angeles, CA, USA

美国新泽西州普林斯顿大学心理学系及普林斯顿神经科学研究所

Last author:Nathaniel D. Daw

Department of Psychology, and Princeton Neuroscience Institute, Princeton University, Princeton, NJ, USA

美国新泽西州普林斯顿大学心理学系及普林斯顿神经科学研究所

Abstract

The influential concept of cognitive maps envisions that the brain builds mental representations of objects, barriers, and goals. Computational models show how these representations guide goal-directed behavior, such as planning novel routes to maximize rewards. One key feature of flexible cognitive representations is compositionality, the ability to build complex structures by recombining simpler parts. However, how this applies to neural representations of cognitive maps and map-based planning remains unclear. Compositionality can be difficult to reconcile with efficient planning, as reusing components may limit efficiency. Here, we propose a novel computational model for efficiently creating and planning with compositional predictive maps, which successfully reproduces response fields in the medial entorhinal cortex, particularly object vector cells and grid cells. The model treats each object as an alteration to a baseline map linked to open space, creating predictive maps by combining object-related representations compositionally, providing insights into brain processes supporting efficient, flexible planning.

本文解读基于：Reconciling flexibility and efficiency: medial entorhinal cortex represents a compositional cognitive map，Doi: 10.1038/s41467-025-62733-7。核心图表、方法细节、统计结果与讨论见原文及其拓展数据。

分享人：天天

审核：PsyBrain 脑心前沿编辑部

PsyBrain 脑心前沿

带你了解心理学、脑科学的前沿知识与技术流程

预览时标签不可点

不喜欢

微信扫一扫
关注该公众号

知道了

微信扫一扫
使用小程序

取消 允许

取消 允许

取消 允许

× 分析

微信扫一扫可打开此内容，
使用完整服务