Back to the Continuous Attractor

连续吸引子为在循环系统状态中存储连续值变量提供了一种独特的解决方案，可无限期地保持。然而，连续吸引子通常具有严重的结构不稳定性——它们会被定义它们的动力学定律的大多数微小变化所破坏。这种脆弱性尤其限制了它们在生物系统中的实用性，因为它们的循环动态受到不断的扰动。我们观察到理论神经科学模型中从连续吸引子分叉的显示出各种结构稳定的形式。尽管它们的渐近行为以维持记忆为目的是不同的，但它们有着相似的有限时间行为。我们依托持久流形理论来解释从连续吸引子分叉和逼近之间的共性。快慢分解分析揭示了在看似破坏性的分叉中幸存的持久流形。此外，训练模拟记忆任务的循环神经网络显示出具有预测的慢流形结构的近似连续吸引子。因此，连续吸引子具有功能上的稳健性，并且仍然有用作为理解模拟记忆的通用类比。

论文试图解决如何在面对不断的干扰时，保持连续吸引子的结构稳定性，以实现模拟记忆的功能。

通过持久流形理论和快慢分解分析，发现从连续吸引子分叉出来的稳定形式，能够在有限时间内维持记忆，因此连续吸引子仍然是一种有用的模拟记忆的工具。

论文提出了一种解决连续吸引子结构稳定性问题的方法，并通过理论分析和实验验证证明了该方法的可行性。实验使用了循环神经网络进行模拟记忆任务，并展示了该方法在实际应用中的效果。

最近的相关研究包括： - 'Persistent Homology of Time-Dependent Functional Networks' by Gu et al. - 'Stability of Dynamical Systems and Control of Chaos' by Leonov et al. - 'Memory in network flows and its effects on spreading dynamics and community detection' by Rosvall et al.