神经异质性增强可靠神经信息处理的动态机制：局部敏感性与全局输入驱动的瞬态动力学

编辑推荐：本研究针对大脑皮层神经元活动存在显著变异性却保持稳定表征的难题，通过构建包含τL/τΓ异质性的生物合理性SNN模型，揭示了神经异质性通过破坏内禀相干模式、诱导放电率异质性、形成输入驱动瞬态动力学，为理解可靠计算提供了统一框架，对神经形态计算设计具有重要指导意义。

　　大脑皮层神经元活动展现出惊人的变异性：单个神经元放电时间存在显著不规则性，相同刺激引发的跨试验响应也存在明显差异。然而令人困惑的是，这种看似混乱的活动中却蕴含着稳定可靠的刺激表征。这种"变异性与可靠性悖论"长期困扰着神经科学家，传统的平衡随机神经网络（RNN）和空间扩展的脉冲神经网络（SNN）模型都难以完全解释这一现象。前者仅能追踪低维输入信号，后者则容易产生内禀的相干时空模式干扰外部信息表征。与此同时，生物神经元在结构、基因表达和电生理特性等方面表现出的高度异质性，越来越被认为是神经计算的关键因素，但其具体作用机制尚不明确。

中国科学院的研究团队在《Science Advances》发表的研究中，通过构建包含τ_L（泄漏时间常数）和τ_Γ（增益时间常数）异质性的空间扩展兴奋-抑制（E-I）平衡脉冲神经网络模型，系统研究了神经异质性对可靠信息处理的影响。研究采用动态模态分解（DMD）和主成分分析（PCA）等计算方法，结合输入-输出映射和Mackey-Glass混沌信号重建等计算任务，揭示了神经异质性增强可靠计算的动态机制。

研究发现，τ_L或τ_Γ的异质性会破坏网络内禀的图灵-霍普夫分岔产生的相干时空模式，诱导放电率异质性分布。这种异质性使局部神经元群体对输入信号表现出增强的响应敏感性，同时形成全局的输入驱动瞬态动力学。具体表现为：1）在局部尺度上，异质性恢复了兴奋-抑制平衡，使更多神经元处于对输入敏感的低活动状态；2）在全局尺度上，输入诱导出新的动态模式（通过DMD识别），这些模式能可靠地表征输入信息；3）在高维活动空间中，网络形成稳定的"液态"轨迹，即使受到噪声干扰也能快速回归到输入驱动的路径上（通过PCA验证）。这种机制不仅适用于时间尺度异质性，同样可以解释输入连接非均匀性、发放阈值异质性和网络入度异质性等其他形式的神经异质性对计算可靠性的提升作用。

该研究的重要意义在于：首先，为解决神经科学中长期存在的"变异性与可靠性悖论"提供了统一的动力学解释框架；其次，揭示了神经异质性不是进化妥协的副产品，而是实现可靠计算的主动设计特征；最后，为新一代神经形态计算系统，特别是具有液态波储层的储层计算模型设计提供了理论指导。研究提出的"局部敏感-全局输入驱动"机制，将看似矛盾的神经元变异性与网络可靠性联系起来，为理解大脑信息处理原则和发展类脑智能技术开辟了新途径。