記憶對人類、我們的生存和日常生活非常重要。大多數人所說的“記憶”是指情景記憶，它可以回憶起發生在特定時間和地點的過去事件（Sheridan等人，2024年）。情景記憶涉及編碼、存儲和檢索大量序列的復雜過程。關于記憶有一些重要的發現。海馬體和大腦皮層是情景記憶的關鍵腦區（Chettih, Mackevicius, Hale, & Aronov, 2024年），它們利用不同的放電脈沖活動和神經振蕩來表示記憶信息（Kucewicz, Cimbalnik, Garcia-Salinas, Brazdil, & Worrell, 2024年）。在大腦皮層中，小柱（Kaas, 2016年）和錐體神經元（Mertens等人，2024年）廣泛存在，并對記憶至關重要。此外，情景記憶能夠檢索僅發生一次的事件（即一次學習），大量研究表明，檢索情景記憶依賴于重新播放最初經歷的脈沖神經元活動（Yaffe等人，2014年）。此外，抑制性中間神經元是大腦皮層神經回路中的關鍵組成部分。一些中間神經元分布在小柱的不同層的錐體神經元中（Sultan & Shi, 2018年），一些前饋抑制的中間神經元從突觸前興奮性細胞接收輸入，然后抑制突觸后皮層細胞（Luo, 2021年）。同時，突觸延遲在大腦中普遍存在，有助于記憶系統存儲和檢索信息（Becker, Nold, & Tchumatchenko, 2022年）。關鍵的是，大腦皮層中錐體神經元的樹突結構在記憶處理中起著重要作用（Mertens等人，2024年）。遠端樹突整合側向輸入以實現關聯上下文綁定，而近端樹突處理前饋輸入以實現模式識別和長期存儲。
這些發現涵蓋了從系統（海馬體-皮層回路）和回路（小柱、中間神經元）到細胞組分（樹突）的不同尺度，共同勾勒出了基于生物學的序列記憶的藍圖。然而，現有的計算模型在很大程度上未能將這些元素整合到一個連貫的架構中。現有的序列記憶方法沿著兩條主要但往往不同的路徑發展。一方面，機器學習模型（從RNNs（Gazehi, Loukil, & Besbes, 2025年；Nirosha & Vennila, 2025年；Zhang, Xue, Luo, Li, & Qu, 2025b年）和LSTMs（Faseeh等人，2025年；Sahi等人，2025年）到最近的Transformers（Liu等人，2026年；Shukla等人，2025年））通過基于梯度的優化和注意力機制在捕獲序列數據中的長距離依賴性和時間模式方面表現出色。但它們依賴于連續激活和密集連接，這與生物系統的稀疏、事件驅動和形態多樣的計算機制根本不同。此外，它們對大規模迭代訓練的依賴性與大腦高效的一次性編碼和檢索情景記憶形成鮮明對比。另一方面，類腦模型追求更高的生物學保真度。基于小柱的模型（Cui, Ahmad, & Hawkins, 2016年；Hawkins, Ahmad, Dubinsky等人，2011年；Hawkins, Lewis, Klukas, Purdy, & Ahmad, 2019年；Starzyk, Horzyk等人，2019a年）引入了稀疏的柱狀表示，但經常忽略了振蕩和脈沖發射等詳細神經動力學。脈沖神經網絡（SNNs）（Bellec, Salaj, Subramoney, Legenstein, & Maass, 2018年；Luo, Liu, Chen, Zhang, & Qu, 2022年；Nicola & Clopath, 2019年；Zhang, Luo, Wu, Belatreche, Cai, Yang, Li, 2025年；Zhang, Shi, Luo, Chen, Wang, Qu, 2023年）可以捕捉神經信號的事件驅動性質，但它們經常簡化或忽略了皮層小柱的結構組織、樹突的功能分離以及信息在多個腦區之間的整合。因此，大多數先前的模型只捕捉到了記憶的孤立方面——無論是結構上的還是動態上的——并且缺乏一個統一的框架來整合多尺度的生物機制，以實現魯棒性和效率。
為了彌合現有記憶模型和生物記憶機制之間的差距，本文提出了一種仿生脈沖序列記憶（BSSM）模型。與傳統的機器學習方法、“混合”脈沖神經網絡或基于小柱的方法不同，BSSM基于脈沖神經網絡和STDP學習算法，建立了一個統一的框架，系統地整合了多尺度的生物機制，用于模擬記憶的整個編碼、存儲和檢索過程。其核心設計原則體現在以下三個方面：（1）皮層小柱作為稀疏編碼的競爭單元，由協調的θ-γ振蕩和中間神經元介導的抑制支持，與海馬節律相位鎖定編碼并保持穩定的稀疏活動。 （2）錐體神經元的近端和遠端樹突之間的功能分離分別實現了長期序列存儲和短期上下文綁定，從而在皮層層面支持一次學習。 （3）利用海馬體的序列代碼，檢索算法依次激活皮層錐體神經元和輸出神經元，實現逐步的上下文預測和完整的序列重建，反映了系統級的信息傳遞和跨腦區的整合。這個框架是第一個統一了三個生物機制尺度的框架——結構組織（小柱、抑制）、細胞組分（樹突計算）和系統級動態（海馬體-皮層），為理解和模擬生物記憶提供了新的方法。
本工作的貢獻總結如下：
•受神經科學發現的啟發，包括振蕩和抑制機制、近端樹突結構和STDP學習規則，我們提出了一種新的記憶編碼算法，可以有效將刺激轉換為稀疏小柱的時空脈沖模式。
•我們提出了一種新的記憶存儲算法，遵循延遲機制、小柱的結構和樹突計算，可以有效地存儲短期上下文和長期序列信息。
•基于上述兩種算法，我們提出了一種新的記憶模型，系統地整合了多尺度的生物機制，用于模擬記憶的整個編碼、存儲和檢索過程。實驗結果表明，所提出模型的檢索準確性和魯棒性顯著優于其他序列模型。特別是在替換更多單詞（10個中的6個）的情況下，我們的算法仍保持了80.7%的準確率，比其他算法高出40%。
