기하학적 상전이가 해마의 극한 기억 용량을 가능하게 한다

초록

기억 시스템은 유사한 하드웨어 제약 조건에도 불구하고 엄청나게 다른 양의 정보를 저장할 수 있다. 여기서 우리는 뛰어난 공간 기억이 해마 집단 기하학의 뚜렷한 경직화, 즉 무질서한 집단 코딩에서 결정질 집단 코딩으로의 전환에서 비롯된다는 것을 보여준다. 먹이 저장성 박새(chickadee)와 먹이를 저장하지 않는 얼룩말 되새(zebra finch)를 비교한 결과, 저장성 해마는 유의미하게 더 높은 기하학적 안정성(Shesha 0.245 대 0.166)과 거의 두 배에 가까운 시간적 일관성(Shesha 0.393 대 0.209)을 갖는 위상적으로 경직된 "결정질" 기하학을 유지하는 반면, 비저장성 해마는 무질서한 "안개"와 유사함을 발견했다. 이러한 안정성은 상승적 회로 역학에 의해 능동적으로 구축된다: 흥분성 뉴런이 공간적 지지대를 형성하는 반면, 억제성 집단은 직교 탈상관에 기여하는데, 이는 흥분성 및 억제성 집단이 대부분 겹치지 않는 표상 부분공간을 차지하는 회로 모티프이다. 각 기억의 기저에 전용 뉴런 앙상블이 있다고 예측하는 모델인 Valiant의 Stable Memory Allocator를 사용한 이중 해리는 이러한 이점이 불연속적인 뉴런 할당보다는 연속적인 위상적 조직을 반영함을 확인한다: 저장성 네트워크는 기하학적 우월성에도 불구하고 거의 0에 가까운 반분 할당 신뢰도를 보인다. 10,000개 구성에 걸친 계산 모델링은 위상적 경직성이 규모를 위한 수학적 전제 조건임을 밝힌다: 결정질 코드는 M=1,000개 위치 이상에서 고충실도 판독을 유지하는 반면, 안개 코드는 M=10 미만에서 실패하며, 이는 100배 이상의 용량 이점이다. 이 용량은 169배의 표상 중복성을 필요로 하는데, 이는 생물학적 잡음에 대해 다양체를 안정화하는 "기하학적 세금"이다. 이러한 결과는 기하학적 안정성을 생물학적 기억의 후보 조직 원리로 확립한다: 진화는 뉴런을 증식함으로써가 아니라 신경 코드 자체의 기하학을 설계함으로써 고용량 기억을 달성한다.

English

Memory systems can store vastly different amounts of information despite similar hardware constraints. Here, we show that superior spatial memory emerges from a discrete stiffening of hippocampal population geometry-a transition from disorganized to crystalline collective coding. Comparing food-caching chickadees to non-caching zebra finches, we found that the caching hippocampus maintains a topologically rigid, "crystalline" geometry with significantly higher geometric stability (Shesha 0.245 v 0.166) and nearly two-fold greater temporal coherence (Shesha 0.393 v 0.209), while the non-caching hippocampus resembles a disorganized "mist." This stability is actively constructed by synergistic circuit dynamics: excitatory neurons form the spatial scaffold while inhibitory populations contribute orthogonal decorrelation, a circuit motif in which excitatory and inhibitory populations occupy largely non-overlapping representational subspaces. A double dissociation with Valiant's Stable Memory Allocator, a model predicting that dedicated neuron ensembles underlie each memory, confirms this advantage reflects continuous topological organization rather than discrete neuron allocation: caching networks exhibit near-zero split-half allocation reliability despite their geometric superiority. Computational modeling across 10k configurations reveals topological rigidity as the mathematical prerequisite for scale: crystalline codes sustain high-fidelity readout beyond M=1k locations while mist codes fail below M=10, a >100-fold capacity advantage. This capacity requires a 169fold representational redundancy: a "geometric tax" stabilizing the manifold against biological noise. These results establish geometric stability as a candidate organizing principle of biological memory: evolution achieves high-capacity memory not by proliferating neurons, but by engineering the geometry of the neural code itself.