本文介绍了一种人工智能（AI）体系结构，旨在模拟人类工作记忆系统及其迭代更新方式。此体系结构包括多个相互连接的神经网络，旨在模拟大脑皮层的专门模块。它们具有层次结构并集成到全局工作区中。通过持续的神经活动，它们能够暂时维持类似于工作记忆中维护的心理模式。本文将探讨如何通过此体系结构逐渐转换协同表示的分布，最终导致处理状态之间的心理连续性，从而导致类似人类的认知。

Mar, 2022

我们提出了一个由感知、记忆和推理构成的基于 PMI 框架的方法，通过聚合感知信息并在推理模块中与多源记忆进行交互与整合，实现了对当前感知信息更全面准确的解释，应用于改进问题回答任务、关系计算和图像分类任务等，提高了模型的效果。

Oct, 2023

本文通过应用认知心理学的工作记忆框架来增强大型语言模型（LLMs）的架构，以解决其在人类记忆能力方面的限制，并提出了一种创新模型，包括集中的工作记忆中心和情景缓冲区，以提供更高的连续性，以实现复杂任务和合作场景中的细致语境推理。然而，对于情景记忆的优化编码、存储、优先级、检索和安全性仍需进一步研究，以促进发展具有更复杂、类似人类记忆能力的 LLM 代理。这表明记忆机制是人工通用智能领域的重要前沿。

Dec, 2023

本文提出了一种基于内部工作记忆模块的决策制定代理，可以通过存储、混合和检索信息来改善其在不同下游任务中的训练效率和泛化能力，并进一步证明记忆微调可以增强所提出架构的适应性。

May, 2023

本论文针对认知机器人控制架构中的知识管理问题，提出了一种支持感知运动表示和语义表示之间中介和提供数据驱动服务的内在记忆结构，并且对基于该结构的 ArmarX 机器人软件框架进行了评估。

Jun, 2022

本研究提出了 TAMiL 方法，应用任务注意模块和自动编码器捕捉共同表示空间中的任务特定信息，并在全局工作区中保留任务相关信息以缓解灾难性遗忘现象。实验结果表明，该方法优于现有基于重新玩彩和动态稀疏方法的连续学习方法。

Feb, 2023

本文提出了一个新的生命周期学习的方法，命名为记忆感知突触 (Memory Aware Synapses)，它计算神经网络参数的重要性，并根据重要性进行惩罚以防止重要知识被覆盖，这与大脑学习过程的 Hebb 规则有相关性。在物体识别任务和嵌入学习任务中，该方法表现出最先进的性能。

Nov, 2017

本文提出了一种用于模拟记忆和学习的模型，该模型将记忆的地形差异转化为节点上的量，并且可以动态地发展和修改。

May, 2023

通过将现实解读为信息源，并将其转化为计算框架，我们提出了一种新颖的建模方法，从而接近于人工通用智能。该框架可以以流动可扩展的分层方式构建经典的认知架构元素，如长期记忆和工作记忆。

Jun, 2024

这篇研究论文介绍了一个全面的工作记忆基准数据集，通过联合训练和测试最先进的循环神经网络和变压器模型，研究发现人工智能模型在大脑中复制了工作记忆的某些特征，为认知心理学、神经科学和人工智能领域的社区提供了一个标准化的框架来对比和增强工作记忆模型，研究工作记忆的神经基础，并开发具有类似人类能力的工作记忆模型。

Jul, 2023