神经异质性增强可靠信息处理的动力学机制

Winter-My-Dream丨作者

近日，一项发表于《Science Advances》的研究揭示了大脑皮层神经元如何在高度多变的活动中实现可靠信息处理的动力学机制。研究发现，神经异质性通过抑制神经网络内部固有相干模式、提升局部响应敏感性，并诱导输入信号从属的暂态动力学形成对输入信号的可靠表征与信息处理，为理解大脑在复杂环境下的可靠计算提供了统一的理论框架。这一成果不仅深化了对神经异质性功能的认识，还为神经形态计算系统的设计提供了新的启示。

可靠信息处理的关键：

神经异质性与输入从属暂态动力学

大脑神经元如同交响乐团中的乐手，形态、特性和连接方式各异，演奏出看似杂乱的“神经交响曲”。长期以来，这种异质性被认为是大脑功能复杂性和灵活性的源泉，但其如何在信息处理中协调神经活动高度多变性与可靠表征之间的矛盾，尚缺乏系统性解释。通过构建生物学上合理的脉冲神经网络模型，研究发现神经异质性能够抑制神经网络固有的时空相干模式，使神经元活动对外部输入更具响应性。这一机制显著提升了局部神经元的敏感性，并诱导形成与输入密切相关的暂态动力学。这种动力学在高维神经活动空间中生成输入从属的轨迹，确保信息表征的可靠性。“想象一下，群体神经元活动就像水面上的波动，外部输入激起涟漪，而异质性使这些涟漪既能灵活捕捉输入特征，又能维持表征的可靠性，”论文作者解释说。

图1：研究工作概览图。 (a)异质性脉冲神经网络模型。(b)神经异质性对网络的动力学的影响。(c)动态模式分解 (DMD) 分析网络时空模式。(d)异质性增强网络的信息表征可靠性。

神经形态计算的前景：

神经异质性启发的模型优化

这一研究不仅揭示了神经异质性在可靠信息处理中的动力学机制，还为神经形态计算模型的优化设计提供了新启示。研究团队提出，基于神经异质性的储备池计算模型通过输入从属的暂态动力学，增强了系统对复杂输入信号的动态表征能力。这种方法通过神经异质性提升了储备池的计算性能，在较少算力和数据支持下实现了对复杂信号的可靠重构和预测。研究验证了该模型在降低算力需求和能耗方面的潜力，为开发高效、低功耗的神经形态计算系统提供了理论支持。

之江实验室研究专家杨冬平为该论文唯一通讯作者，高级研究专员吴生礅为该论文第一作者，之江实验室为第一完成单位，该研究受到国家自然科学基金面上项目、浙江省自然科学基金重点项目和之江实验室 PI启动项目资助。

论文地址：https://www.science.org/doi/10.1126/sciadv.adr3903

神经动力学模型读书会

为了促进神经科学、系统科学以及计算机科学等多领域学术工作者的交流合作，吸引更多朋友共同探索脑科学与类脑研究，周昌松、臧蕴亮、杨冬平、郭大庆、陈育涵、曹淼、刘泉影、王大辉、刘健、王鑫迪等来自国内外多所知名高校的专家学者在集智俱乐部共同发起「 」读书会，历时四个月研讨，近日圆满结束。

本季读书会形成了聚集500+成员的神经动力学社区，积累了40+小时综述、解读、研讨的视频记录，以及多篇社区成员总结的词条、笔记、翻译、科普资料等。现在报名加入读书会，即可加入社区交流讨论（微信），并解锁相关视频、文本资料。我们对脑的探索才刚刚起航，欢迎你一道参与，共同点亮更多脑科学研究的岛屿！

详情请见：

1.

2.

3.

4.

5.

6.