近期研究揭示，神经系统在临界状态下，通过兴奋-抑制平衡网络实现灵敏性和可靠性的最佳平衡。该研究构建了一个模拟神经元相互作用的网络模型，发现临界状态下的网络对外部输入的响应既灵敏又稳定，表现出幂律分布的雪崩行为，从而高效处理信号。模拟分类任务中，临界状态的网络分类准确率显著高于其他状态，表明临界状态增强了神经系统的信号表示能力。研究还发现，抑制性突触的异质性对维持临界状态至关重要，为人工神经网络的设计提供了新的启发。

🧠**兴奋-抑制平衡网络模型**：研究团队构建了一个兴奋-抑制平衡网络，模拟神经元间的相互作用，并通过调节抑制性突触的时间常数，探索网络在不同动态状态下的行为。

📈**临界状态的优势**：研究发现，在临界状态下，网络展现出幂律分布的雪崩行为，使得灵敏性和可靠性同时达到最佳。临界状态的网络在分类任务中表现出更高的准确率，增强了信号表示能力。

⏱️**抑制性突触异质性的作用**：研究表明，抑制性突触时间常数的异质性在维持临界状态中起关键作用，能够更好地调节兴奋与抑制的平衡，确保网络的稳定性。

原创 集智编辑部 2025-01-23 20:58 北京

在临界状态下，兴奋-抑制平衡网络的灵敏性和可靠性同时达到最佳水平

关键词：计算神经科学，兴奋-抑制平衡网络，临界雪崩，神经表征，临界性

论文题目：Critical Avalanches in Excitation-Inhibition Balanced Networks Reconcile Response Reliability with Sensitivity for Optimal Neural Representation

论文地址：https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.134.028401

期刊名称：Physical Review Letters

神经系统的响应需要同时具备灵敏性（能够对微小的扰动做出反应）和可靠性（在多次重复的刺激下，能够稳定地给出相同的反应）。在临界状态下，神经系统表现出最大化的动态范围和最大化的响应敏感性。近期发表在Physical Review Letters的一篇研究，通过临界雪崩（critical avalanches）的概念，研究团队试图揭示临界状态如何在这两者之间实现最优平衡。

研究团队构建了一个兴奋-抑制平衡（Excitation-Inhibition, E-I Balanced）网络，用于模拟神经元之间的相互作用。网络模型中兴奋性和抑制性神经元的动力学被严格控制，以确保它们的总输入处于一种近似平衡状态，这种平衡对实现神经网络的功能至关重要。通过调节抑制性突触的时间常数，研究网络在不同动态状态下的行为。为了确定网络的临界状态，研究者采用了Hopf分岔分析，探索抑制性突触时间常数参数的变化如何引发从亚临界到超临界的转变。调参过程中，通过检测网络对外部输入的瞬时响应幅度度量神经反应的灵敏性，多次重复实验计算相同输入下的神经响应一致性度量可靠性。研究确定了系统在不同参数下的状态：

亚临界状态（subcritical state）：系统的响应幅度较低，网络的活动分布较集中；

临界状态（critical state）：系统出现幂律分布的雪崩行为，反应灵敏且稳定；

超临界状态（supercritical state）：响应变得过于强烈，系统的活动呈现出高波动性，导致可靠性降低。

经过分析，研究发现在临界状态下，兴奋-抑制平衡网络的灵敏性和可靠性同时达到了最佳水平。这是通过网络的临界雪崩行为实现的，雪崩的规模和持续时间呈现幂律分布，这种动态特性使得网络能够在不同时间尺度上高效处理输入信号。在模拟的分类任务中，临界状态下的网络对不同输入信号的分类准确率显著高于亚临界和超临界状态。这表明，临界状态的雪崩行为不仅优化了响应的灵敏性和可靠性，还增强了神经系统的信号表示能力。研究还发现，通过引入不同的抑制性突触时间常数，网络能够更好地调节兴奋与抑制的平衡，确保网络的稳定性，抑制性突触的异质性在维持临界状态中起到了关键作用。

该研究首次系统性地揭示了兴奋-抑制平衡网络中的临界雪崩现象如何在灵敏性与可靠性之间找到平衡。这一机制为理解神经临界性提供了新的理论支持。此外，为人工神经网络的设计提供了新的启发，特别是在优化灵敏性和可靠性方面，临界性可能是未来神经网络发展的重要方向。

图 1. 传统的分岔过程和E-I平衡网络模型的不同响应特性。（a）（d）尖峰发放图，上中下分别表示超临界、临界、亚临界态；（b）（e）临界态下雪崩时间和规模分布图；（c）（f）接收外界输入时，灵敏性和可靠性的关系情况。

图 2. 在E-I平衡网络中临界雪崩提升了神经网络表征能力。

图 3. 不可靠的亚临界状态和僵硬的超临界状态。（a）最可靠雪崩中参与的神经元的平均数量（雪崩大小），随着抑制性突触时间参数的变化。（b）最可靠雪崩的时间可靠性（蓝色）和空间可靠性（红色），随着抑制性突触时间参数的变化。（c）（d）在每个输入信号下，最可靠雪崩的低维表示，展示临界状态和超临界状态的变化。不同颜色代表十个不同的输入信号，且相同颜色的不同点表示使用相同输入信号进行的不同实验。

计算神经科学读书会

人类大脑是一个由数以百亿计的神经元相互连接所构成的复杂系统，被认为是「已知宇宙中最复杂的物体」。本着促进来自神经科学、系统科学、信息科学、物理学、数学以及计算机科学等不同领域，对脑科学、类脑智能与计算、人工智能感兴趣的学术工作者的交流与合作，集智俱乐部联合国内外多所知名高校的专家学者发起神经、认知、智能系列读书会第三季——「计算神经科学」读书会，涵盖复杂神经动力学、神经元建模与计算、跨尺度神经动力学、计算神经科学与AI的融合四大模块，并希望探讨计算神经科学对类脑智能和人工智能的启发。读书会已完结，现在报名可加入社群并解锁回放视频权限。

详情请见：计算神经科学读书会启动：从复杂神经动力学到类脑人工智能

推荐阅读

1. 探索大脑临界性的理论基础：重新理解神经动力学

2. 前沿综述：神经回路中的兴奋-抑制平衡、临界性与神经活动

3. Nat.Commun.速递：离体神经细胞网络“打乒乓球”时的临界动力学

4. 张江：第三代人工智能技术基础——从可微分编程到因果推理 | 集智学园全新课程

5. 龙年大运起，学习正当时！解锁集智全站内容，开启新年学习计划

6. 加入集智，一起复杂！

点击“阅读原文”，报名读书会

阅读原文

跳转微信打开