编辑推荐：
为探究大脑网络功能与结构关系，研究人员开展基于模拟忆阻器架构的神经网络研究。利用储层计算（RC）等技术，发现忆阻器网络有望实现神经形态计算，这对理解脑功能、发展 AI 和改善医疗意义重大。
在神秘的大脑世界里，功能与结构的关系一直是神经科学领域的 “圣杯” 谜题。长久以来，传统研究虽对大脑功能和结构有所了解，但二者在人脑中如何相互作用，依旧迷雾重重。尽管科学家们在功能和结构连接性方面做了大量研究，可方法上的难题始终阻碍着进一步探索，现有的模型也难以准确预测大脑功能。就好比在黑暗中摸索，虽然有了一些微弱的光亮，但仍无法看清全貌。为了打破这一僵局，研究人员踏上了探索之旅，试图找到打开这扇神秘大门的钥匙。
在这样的背景下，研究人员开展了一项极具创新性的研究，旨在揭示大脑网络中功能与结构的紧密联系。他们结合人工智能和神经科学，构建了一个全新的研究框架。研究人员利用脑电图（EEG）数据重建人类连接组，并将其作为人工储层，训练其执行记忆任务。通过对比基于连接组信息的储层和任意架构的储层，深入探究人类连接组在独特的宏观网络拓扑和中观模块化组织下的计算特性。
研究结果意义非凡。在理论层面，它为理解大脑功能和认知提供了新的视角，有助于构建大脑功能 - 结构本体论，进一步明确网络动态和架构与认知功能之间的关系。在应用方面，该研究成果对人工智能的发展起到了推动作用，有望助力开发更高效智能的 AI 系统；在医疗领域，能够帮助人们更好地理解神经系统疾病，进而改善诊断和治疗手段。这项研究发表在《Brain Organoid and Systems Neuroscience Journal》上，为相关领域的研究开辟了新的方向。
研究人员在研究过程中，采用了多种关键技术方法。首先是储层计算（RC）技术，通过构建基于连接组信息的 RC 模型，研究网络动态和结构对学习和计算的影响。利用图论相关方法，如构建零模型比较大脑内部网络的记忆容量，评估网络模块性对记忆容量的影响等。同时，运用人工神经网络（ANNs），特别是尖峰神经网络（SNNs）和液体状态机（LSM）模型，对比不同模型的记忆容量，探索大脑网络拓扑的功能意义。
下面详细介绍研究结果：
- 图论 - 零模型：通过构建两个零模型，研究人员发现内部网络在人类连接组中具有重要的计算意义，并且推测连接组拓扑在临界动力学或混沌边界时能最优地发挥储层功能。
- 图论 - 网络优化：研究假设存在一个最优的模块性，它能通过平衡网络整合和分离来增强记忆容量，通过比较经验网络和自适应网络验证这一假设。
- 图论 - 内部网络：对比经验网络和重排网络的记忆容量，确定记忆容量主要受内部网络的内在连接性还是外在连接性影响，以及经验内部网络在临界状态下是否具有更高的记忆容量。
- 计算构成要素：考虑布线成本，研究经验网络在不同动力学状态（稳定、临界和混沌）下的记忆容量是否优于随机重连网络，探究网络拓扑对记忆容量的贡献。
- 临界状态下的编码和解码：研究发现网络编码和解码能力的差异与记忆内容相关，通过对比经验连接组和零模型，研究内部网络在临界状态下信息分布的均匀性。
- 储层计算：利用基于连接组信息的 RC 模型，在临界状态下优化记忆容量并最小化布线成本，验证了 RC 模型的非线性投影、线性可分性和短期记忆等特性。
- 人工神经网络：研究具有连接组架构的 ANNs，探索大脑网络拓扑的功能意义。
- 液体状态机和泄漏积分 - 激发模型：采用 LSM 和泄漏积分 - 激发（LIF）模型，对比它们与基于连接组信息的储层的记忆容量。
- 记忆容量：通过引导重采样估计每个内部网络的记忆容量，分析其与储层稳定性参数的关系。
- 比较分析：对比基于连接组信息的储层与 LIF 和 LSM 模型的记忆容量，重点分析临界点处的记忆容量分布。
- 神经测量系统：研究神经形态计算系统中的神经忆阻器系统，利用忆阻器模拟神经可塑性，探索其在神经形态计算中的应用和挑战。
研究结论表明，忆阻器网络作为一种有前途的替代方案，可用于实现神经形态计算系统。通过研究网络相互作用对物理储层计算特性的影响，为人工大脑启发的 RC 架构的重新设计提供了指导，推动了人工智能的发展，并为跨科学领域的新问题探索奠定了基础。同时，该研究也存在一定局限性，如新型纳米材料的体内评估有待加强。未来，研究可朝着多模态数据整合、探索物理储层丰富动力学等方向深入，有望为人类理解大脑功能和开发先进技术带来更多突破。
