循环神经网络（RNNs）在神经科学中被广泛用作局部神经活动的模型。单个RNN的许多特性已经从理论上得到了充分的描述，但实验神经科学的研究方向已转向多个相互作用区域的探究，因此RNN理论也需要相应扩展。我们采取了一种建设性的方法来解决这一问题，利用非线性控制理论和机器学习的工具来表征当稳定的RNN组合在一起时，它们自身是否仍然稳定。重要的是，我们推导出了允许相互作用的RNN之间存在大量反馈连接的条件。我们将这些条件参数化，以便使用基于梯度的技术进行优化，并展示了在稳定性约束下的“网络之网络”能够在具有挑战性的序列处理基准任务中表现出色。总体而言，我们的研究结果为理解大脑中的分布式、模块化功能提供了一种原则性的方法。