使用张量网络模拟儿童情感记忆

一项新研究利用张量网络模型成功模拟了儿童情感记忆的顺序依赖结构。该研究由Henry Groves等人完成，并作为预印本发表在arXiv上（论文编号：2606.28470），提交日期为2026年6月26日。研究团队通过一个精心设计的实验展示了情感效价如何影响儿童对一系列带有情感色彩的玩具的识别记忆。实验结果显示，儿童正确回忆一个玩具不仅取决于该玩具本身的情感效价（积极或消极），还显著受到其前后出现的玩具的情感效价的影响。例如，一个中性玩具如果在两个积极玩具之间出现，其回忆准确率可能会提升；相反，如果出现在消极玩具之间，则可能下降。这种顺序依赖结构揭示了情感记忆的动态性。

传统的心理学模型虽然能够确认记忆的顺序依赖性在不同事件之间存在差异，但其准确率较低，并且无法捕捉情感对象对整个集合中其他对象记忆的影响。为了克服这些局限性，研究者采用了一种经典的张量网络模型，该模型将每个玩具的情感效价作为独立因素纳入计算。在训练过程中，模型学习效价之间的相互作用规律。最终，该模型在模拟实验数据时达到了77.98%的准确率，远高于传统模型的性能。值得注意的是，尽管这一模型并非严格的“量子认知”模型，但其准确率的大幅提升表明了量子启发方法在建模顺序依赖现象（如情感记忆）方面的巨大潜力。

此外，该研究引入的任务协议为探索儿童情感时间记忆提供了一种新颖且实用的工具。该协议设计了一系列带有情感效价的玩具序列，并记录了儿童的回忆表现，从而生成了可用于经典和类量子认知模型分析的数据集。这一工具不仅有助于理解儿童情感记忆的机制，还为人工智能领域提供了新的研究思路。研究者指出，量子启发方法的成功应用可能为未来开发更精准的认知模型铺平道路，尤其在处理复杂顺序依赖任务时。该论文包含26页和9张图表，涵盖了实验设计、模型构建和结果分析的详细信息。

总之，这项研究不仅加深了我们对儿童情感记忆的理解，也展示了跨学科方法（如机器学习与量子物理思想的结合）在认知科学中的价值。随着更多类似研究的开展，我们有望看到更精确的认知模型问世，从而推动人工智能和心理学的发展。