想象一匹马在行进中被石头绊了一下。它重新稳住身体，继续前进，遇到更崎岖的地形时放慢速度改为步行；回到平坦路面后，又加快步伐追上同伴。马是如何在这些不同步态之间自然切换的？

布朗大学卡尼脑科学研究所的研究人员构建了一种人工神经网络，用来展示四足动物如何产生并在多种步态模式之间转换。这项研究为大脑如何组织和调控复杂动态行为提供了新的视角。

这项成果发表在期刊《神经计算》（Neural Computation）上。研究人员指出，该模型也有望推动四足机器人技术的发展，使机器人在执行复杂、快速变化的动作时更加自主和高效。

布朗大学应用数学教授 Carina Curto 介绍说：“我们知道，大脑必须既灵活又稳定地维持和切换节奏。利用吸引子网络的原理，我们构建了一个人工神经网络，提示生物大脑可能如何同时编码不同模式，并在不同节奏和模式之间切换。”

Curto 解释，吸引子网络是一种数学结构，用来描述神经活动如何自然收敛到某些稳定模式。神经科学家长期使用一种称为 Hopfield 网络的吸引子网络来模拟“静态”的大脑行为，例如在识别人脸时，神经元以稳定的放电模式检索存储的信息。

在此基础上，研究团队扩展了吸引子框架，提出了一个能够描述动态行为的高效模型。他们构建了一个仅由 24 个人工神经元组成的简化网络，却可以生成五种不同的四足步态：跳跃（gallop）、并行步（pace）、慢跑（trot）、行走（walk）以及一种称为 pronking 的整体弹跳式步态。更重要的是，该网络能够在这些步态之间快速切换——无论是突然从静止跃起，还是从慢跑平滑过渡到行走——都无需对模型参数进行任何调整。

研究结果表明，相比其他类型的模型，基于吸引子的网络在灵活性和可解释性方面具有优势，并且为理解多种大脑行为提供了一个统一的理论框架。

参与研究的还有北科罗拉多大学数学科学教授 Katherine Morrison。她在布朗大学数学研究所 ICERM 进行一学期访问期间，与团队展开了合作。

该研究第一作者、布朗大学博士后研究员 Juliana Londono Alvarez 表示：“这篇论文展示了如何将吸引子网络从静态扩展到动态。一旦做到这一点，你会发现，同样的记忆编码原理也可以用来生成动态模式，比如这些步态。”

研究人员认为，这一网络结构也可能为机器人设计提供新灵感。现有的四足机器人已经在模仿动物行为来完成任务，但它们通常依赖复杂、庞大且计算成本高的控制程序，并且往往需要联网支持。若借鉴 Curto 实验室提出的这种小型、高效的神经网络架构，四足机器人有望在本地、离线条件下完成多步态控制和切换。

据介绍，Londono Alvarez 目前正在与机器人领域的专家合作，探索如何将这一网络模型实际应用到他们的机器人项目中。