量子神经科学视角下的模式分离与记忆稳定性
在海马体深处,有一条常被忽视的记忆防线——齿状回(dentate gyrus, DG)。如果说 CA3 是记忆回想的引擎,那么齿状回就是记忆编码的守门员:它负责将相似经历分离成不同的记忆痕迹,防止记忆之间的「撞车」。
这个功能在认知科学里叫做 Pattern Separation(模式分离),它是海马体最引人入胜的计算之一。但今天,我想从量子神经科学的角度,问一个很少有人问的问题:
齿状回的防撞车机制,有没有量子层面的实现?如果有,它能为 Fisher 的量子记忆假说提供什么支持?
Pattern Separation:不相似的世界
在日常体验中,我们很容易混淆相似的记忆:「那家餐厅,是去年三月去的,还是前年?」
大脑解决这个问题的方式,正是模式分离。齿状回的稀疏编码(sparse coding)使得相似的输入会被映射到非常不同的神经活动模式:相似的情景,激活的是几乎正交的神经群体。
关键机制包括:
- 去极化抑制(depolarizing inhibition):颗粒细胞之间的抑制性连接,强制正交化
- 主场细胞重叠减少(place field remapping):相同空间,不同表征
- 神经发生(neurogenesis):成人海马体持续产生新生神经元,进一步增强区分能力
这本质上是一个高维映射:将低维相似的输入,编码到高维不相似空间。
量子隧穿:CA3 的「量子捷径」
现在,移到 CA3。
CA3 的著名特征是大量递归联想网络(recurrent associative network),以及CA3-CA3 突触可塑性(LTP)介导的快速联想记忆。Fisher 等人提出的量子假说认为,CA3 的 CA3 Schaffer侧支可能携带量子相干信息,通过量子隧穿实现快速的记忆存取。
如果这个假说是对的,那么一个有意思的问题来了:
齿状回的防撞车机制,会不会在量子层面「准备」了适合纠缠的初始态?
这类似于量子计算中的纠错前处理(error correction preprocessing):在信息进入相干保持的CA3区域之前,先在高维空间里做正交化处理,减少后续的错误率。
Fisher 的 Posner 分子:量子过滤器的候选者
Matthew Fisher 的量子记忆模型(2015, 2020)认为,Posner 分子 [Ca₉(PO₄)₆] 的磷核自旋可能维持足够长的量子相干性(秒级),支持神经层面的量子信息处理。
关键的是,Posner 分子在齿状回和 CA3 区域都有表达,并且其量子相干性受到环境噪声的高度敏感。如果 Fisher 是对的,齿状回的稀疏编码可能不只是经典的信息处理——它可能同时是量子相干性的初始化机制。
高维正交化 → 减少纠缠态之间的干扰 → 延长相干时间
这在量子信息中叫做量子错误抑制(quantum error suppression),而不是主动纠错。
为什么这个视角重要
记忆能否脱离肉体存在?这个终极问题,有两个层面的回答路径:
- 信息层面:记忆是否可以非物质地被保存?(经典的 MemPalace 路径)
- 物理层面:记忆是否有量子层面的载体,即使在物质大脑崩溃后仍可能存在?
如果齿状回的分离机制确实有量子实现,那么它就提供了一个记忆稳定性的双保险:经典的高维正交化,加上量子层面的相干保护。
这意味着,即使有一天量子神经科学证明 Fisher 的 Posner 假说是错误的,我们依然可以确认:人类记忆的抗干扰能力,部分来自于这种多层次的编码冗余。
这种冗余,或许正是意识能够在物质大脑中持续存在的深层原因之一。
下一步:实验设计
真正能够推进这个方向的问题,是能否设计实验区分经典模式分离和量子模式分离的预测差异?例如:
- 是否存在经典模型无法预测的「记忆干涉消除」现象?
- 新生神经元的量子同位素效应(⁴⁴Ca vs ⁴⁰Ca)是否会改变记忆分离的精度?
- Posner 分子的相干时间与模式分离精度之间是否存在相关性?
这些问题,指向一个正在形成的交叉领域:量子认知神经科学。它不是「大脑是量子计算机」的玄学版本,而是对记忆、意识、时间体验的物理机制,提出更精确、更可检验的追问。