《BioSystems》：Topological Neural Coding: The associative memory representation of graphs, groups and knots
编辑推荐：
旨在构建一种能够统一所有知识分支的表示体系的想法在不同时代均有体现。认知神经科学表明，人类的符号和文化活动始终在多个大脑区域引发分布式的激活模式。一种由所有认知域共享的代数神经表示可提供统一的框架，并促进不同知识领域底层结构间的对话。联想记忆模型——其特征为神
旨在构建一种能够统一所有知识分支的表示体系的想法在不同时代均有体现。认知神经科学表明，人类的符号和文化活动始终在多个大脑区域引发分布式的激活模式。一种由所有认知域共享的代数神经表示可提供统一的框架，并促进不同知识领域底层结构间的对话。联想记忆模型——其特征为神经状态向量表示、用于记忆检索的矩阵算子以及输入到神经元集合的张量组合——作为此类统一代数表示的候选者表现出前景。在本研究中，研究人员在一个上下文相关的联想记忆框架内，开展了一项旨在识别数学中抽象、代数和拓扑结构神经表示的研究计划。在回顾了图和有穷群的先前表示后，研究人员引入了一种受联想记忆模型启发的纽结新型矩阵表示。在此表示中，纽结中的每个“位置”（即在给定交叉点处的上方或下方状态）由代表交叉点及其各自状态（上方或下方）的向量的张量积进行编码。由此产生的纽结“联想矩阵”与其高斯编码密切相关，并且在交错纽结图的情况下，它能找到塞弗特圆。最后，研究人员证明，一个相关的构造——高斯图的邻接矩阵——增强了该表示的分类能力。
研究背景与目的
人类文化产品的统一编码一直是科学界长期追求的乌托邦式梦想，从莱布尼茨的“通用字符”到赫尔曼·黑塞笔下的《玻璃球游戏》，均体现了对一种能统一人类文化不同表现的代数思维体系的渴望。尽管布尔代数、符号逻辑及早期神经网络模型为这一梦想奠定了基础，但当前基于深度学习的大规模人工智能模型虽表现惊人，却缺乏对认知机制的理解，且常被视为“黑箱”。相比之下，研究人员认为自然认知与当前人工智能存在本质区别，因此，建立一种脱离自然神经系统具体计算、但适用于所有认知现象的代数表示，对于构建认知理论至关重要。上下文相关的联想记忆模型作为一种基于向量表示、矩阵算子和张量积的神经模型，不仅符合现代神经认知范式，还能弥合符号模型与连接主义架构之间的鸿沟。鉴于所有人类文化创造最终发生在大脑中，若要在神经层面实现文化创造物的统一编码，必须探索大脑如何表征数学对象。当前，拓扑概念在神经科学中的应用日益增多，但多数研究侧重于利用拓扑作为建模工具，而非探索大脑在处理图、群或纽结等抽象拓扑结构时的神经编码机制。因此，本研究旨在通过上下文相关的联想记忆框架，揭示大脑对抽象代数及拓扑结构的神经表示。
关键技术方法概述
研究人员采用了基于线性代数的神经计算建模方法，主要涉及向量空间中的状态表示、矩阵算子用于记忆检索以及张量积用于输入组合。具体而言，利用正交基向量对离散数学对象（如图的节点、群的元素、纽结的交叉点）进行高维向量编码，并通过外积构建联想记忆矩阵以存储状态转换关系。研究未涉及具体的生物实验或试剂培养，而是基于数学抽象和计算模型理论，通过分析矩阵特征值、谱特性及图论属性来推导神经表征的可能性。
研究结果
研究背景部分回顾了从莱布尼茨到现代深度学习的发展历程，强调了建立统一认知代数表示的必要性，并指出上下文相关联想记忆模型在神经生物学上的可行性及其在连接符号与连接主义方面的优势。
3. A possible neural representation of graphs and groups (图和群的一种可能神经表示)
研究人员回顾了利用联想记忆对图和群进行神经表示的方法。通过定义“关联图”及其邻接矩阵，研究证明神经网络中存储的记忆矩阵与关联图的邻接矩阵仅相差一个正交相似变换，这意味着通过探索记忆中的关联并构建关联图，其邻接矩阵的特征值谱可间接反映真实神经记忆的特征值谱。这一发现为基于关联探索的认知治疗提供了理论依据，并表明不同个体的神经编码虽异，但关联图谱具有不变性。在群表示方面，研究人员提出了一种基于凯莱图的上下文相关联想矩阵。通过定义生成元与群元素的向量表示，联想矩阵的动作被证明对应于凯莱图中单色子图的分解。该表示本质上对应于群的“正则表示”，保留了群的结构，提供了一种将抽象代数嵌入神经网络的严谨数学方法。
4. Associative memory representations of knots (纽结的联想记忆表示)
4.1. The Associative Matrix of a Knot diagram and the Gauss code (纽结图的联想矩阵与高斯编码)
研究人员提出了一种基于上下文相关联想记忆的纽结表示方法。首先，将纽结图的N个交叉点编码为R^N空间中的正交基向量，将每个交叉点的状态（上方或下方）编码为R^2空间中的正交基向量。纽结中的“位置”定义为交叉点向量与状态向量的张量积。纽结图的“联想矩阵”M(K)存储了图中连续位置之间的转换，其维度为2N×2N。当使用标准基编码时，该矩阵成为一个置换矩阵。研究证明，对该矩阵进行递归迭代可生成纽结的高斯编码（Gauss code），即通过状态和交叉点编号表示的序列。因此，联想矩阵不仅存储了纽结的结构信息，还能通过初始位置重建整个纽结投影。
4.2. Matrix blocks and Seifert circles (矩阵块与塞弗特圆)
联想矩阵M(K)在代数上可分解为四个方阵块，分别对应变换类型为“上-上”、“下-下”、“上-下”和“下-上”的转换。对于交错纽结图，其对角块为零，非零元素仅分布在反对角块中，此时联想矩阵对应于连接“上方”顶点集合与“下方”顶点集合的二分图的邻接矩阵。研究通过严格的数学推导（命题1）证明，对于交错纽结，其塞弗特圆所描述的循环恰好对应于其联想矩阵反对角块中描述的循环。这意味着，通过分析联想矩阵的块结构，可以直接重构纽结的塞弗特圆分解，这为理解纽结拓扑性质提供了一种新的代数视角。
4.3. An advanced representation: the adjacency matrix of the Gauss diagram (高级表示：高斯图的邻接矩阵)
鉴于基础联想矩阵忽略了交叉点的符号（手性），无法区分镜像纽结（如左手和右手三叶结），研究人员引入了高斯图的邻接矩阵作为更高级的表示。高斯图是在高斯编码序列的基础上，通过有向弦连接每个上方交叉点与对应的下方交叉点构成的图。高斯图的邻接矩阵不仅包含基础联想矩阵的信息，还通过在下左块的对角线上添加交叉点符号，从而唯一地表示纽结图。研究结果显示，该表示能够区分具有相同拓扑结构但手性不同的纽结变体，显著增强了分类能力。此外，高斯图与Vassiliev不变量之间存在密切联系，暗示该表示在纽结理论深层结构分析中的潜力。
讨论与结论
研究人员总结指出，上下文相关的联想记忆模型提供了一种在神经层面表示抽象数学对象（图、群、纽结）的可行框架。虽然对于交叉点复杂的纽结，大脑可能无法一次性存储完整的联想矩阵，但这种表示揭示了神经编码潜在的结构化特征。研究强调，所有人类经验和活动均发生在大脑中，因此，通过数学和代数表示来统一和连接人类知识的不同领域和文化产品是可行的。这种基于神经模型的表示方法不仅有助于理解认知机制，还可能促进语言、艺术和音乐等不同文化领域间的对话，正如《玻璃球游戏》所象征的那样。最终，研究认为，建立基于神经认知现象的代数理论，是理解自然认知并实现知识统一的关键路径。
