#paper: Two-dimensional neural geometry underpins hierarchical organization of sequence in human working memory. https://doi.org/10.1038/s41562-024-02047-8 工作记忆不仅仅是简单地存储信息，而是通过将复杂序列重组为分层的、嵌入的块（chunks）来优化信息存储和提取。例如，记忆电话号码或单词时，人们会将它们分组为更大的单元（如多音节词）。研究假设，这种分层重组在神经层面上表现为二维的神经表征几何结构，其中一个维度编码块内的项目位置（局部顺序），另一个维度编码块在序列中的位置（全局顺序）。研究通过三个实验（两个脑电图实验EEG和一个脑磁图实验MEG）来验证这一假设。研究发现，工作记忆中的音节序列确实以二维的神经表征几何结构进行编码，其中一个维度编码局部顺序（项目在块内的位置），另一个维度编码全局顺序（块在序列中的位置）。这种二维几何结构在不同的实验设置中一致出现，即使任务不鼓励分层重组。这种二维神经表征几何与工作记忆行为相关，支持了分层重组在工作记忆中的重要性。

#paper Jaffe PI, Poldrack RA, Schafer RJ, Bissett PG. Modelling human behaviour in cognitive tasks with latent dynamical systems. Nat Hum Behav. 2023 Jun;7(6):986-1000. doi: 10.1038/s41562-022-01510-8. Epub 2023 Jan 19. PMID: 36658212. 这篇文章介绍了一种名为 task-DyVA 的深度学习框架，它能够模拟人类在认知任务中的行为，特别是任务切换（task-switching）行为。task-DyVA 是基于动态变分自编码器（dynamical variational autoencoders）的框架，它结合了循环神经网络（RNN）的表现力和捕捉个体差异的能力。每个模型直接约束于复现单个参与者的反应时间序列。模型通过训练来模拟人类在认知任务中的实时行为。模型的潜在动态系统能够捕捉执行任务所需的所有内部认知操作。总的来说，这篇文章提出了一种新的方法来模拟和理解人类在复杂认知任务中的行为动态，为认知科学和神经科学的研究提供了新的工具和视角。