《Frontiers in Systems Neuroscience》：Exploring the spiking neural autoencoder: from hyperexcitability to noise-driven compensation
编辑推荐：
理解人工神经网络（ANN）如何捕捉具有生物学意义的动力学，是系统神经科学面临的核心挑战。本研究探讨了脉冲神经网络（SNN）是否不仅能作为机器学习工具，还能作为受生物启发的计算模拟物及用于研究病态神经动力学的易处理测试平台。研究人员构建了一个由泄漏积分发放（LI
理解人工神经网络（ANN）如何捕捉具有生物学意义的动力学，是系统神经科学面临的核心挑战。本研究探讨了脉冲神经网络（SNN）是否不仅能作为机器学习工具，还能作为受生物启发的计算模拟物及用于研究病态神经动力学的易处理测试平台。研究人员构建了一个由泄漏积分发放（LIF）和突触神经元模型组成的脉冲自编码器，以创建受控框架，分析神经元和突触动力学的生物学相关参数变化如何影响学习和信息传递。通过将模型参数调整以诱导持续的类似过度发放的行为，研究人员在概念上模拟了与海马回路中钠离子通道（NaV）功能障碍类似的过度兴奋样态。在无声和噪声条件下评估了重建性能和网络活动。结果表明，诱导的过度兴奋样态降低了图像重建性能并破坏了稳定的信息传播，这与过度兴奋神经系统中的处理受损一致。分层发放率分析揭示，改变后的样态特征是不稳定的活动重新分配，而非持续的全球性过度激活。重要的是，向输入流中引入受控的高斯噪声部分恢复了重建质量并提高了学习性能，表明随机扰动可以部分补偿功能障碍网络样态中的不稳定性。这些发现表明，特定的SNN参数样态可以重现病态兴奋性的关键特征，同时为研究补偿机制提供了平台。总体而言，这项工作将脉冲自编码器定位为可扩展的、基于生物学的框架，用于系统神经科学中针对神经功能障碍和候选干预措施的假设驱动研究，支持将ANN方法与机制模型整合。
在系统神经科学领域，理解人工神经网络（ANN）如何捕捉具有生物学意义的动力学是一个核心挑战。传统的ANN通常被优化为工程工具，而脉冲神经网络（SNN）通过显式建模尖峰时序和突触动力学，提供了一个兼具计算可扩展性和生物学参数基础的中间框架。尽管SNN已被应用于心电图分类等任务，但其作为生物网络模拟物以研究病态神经动力学（如海马回路中钠离子通道功能障碍导致的过度兴奋性，这在颞叶癫痫中有所涉及）的潜力尚未得到充分探索。鉴于脑学习过程对认知功能至关重要，研究人员旨在通过SNN参数变化来模拟神经元和突触动力学异常，并考察简单干预是否能缓解这些影响。因此，开展这项研究旨在提供一个受控的实验支架，以探究改变的神经元和突触参数如何影响信息编码、传输和解码，从而揭示网络层面的计算和机制。
研究人员利用MNIST数据集（修改后的美国国家标准与技术研究院手写数字数据集）中的手写数字图像，构建了一个基于LIF和突触神经元模型的脉冲自编码器，执行图像压缩任务。该自编码器作为诊断任务，旨在暴露神经元和突触参数变化对信息处理的影响。研究方法包括设计特定的网络架构，通过调整LIF模型的衰减参数$\beta$和突触模型的衰减参数$\alpha$及$\beta_{syn}$来模拟过度兴奋样态，并引入高斯噪声作为干预手段。研究人员在无声和噪声条件下，通过反向传播和代理梯度学习算法优化网络权重，评估重建性能（均方误差MSE）和网络活动分布。
研究结果首先展示了网络架构的设计，该架构结合了LIF和突触神经元模型，分为编码器和解码器部分，用于提取压缩表示并重构图像。在基准（健康样态）和过度兴奋（病态样态）条件下，研究人员分析了不同参数设置对模型性能的影响。结果显示，在过度兴奋样态下，图像重建性能显著下降，信息传播不稳定。分层发放率分析表明，过度兴奋样态并未导致全局性的持续过度激活，而是表现为不稳定的活动重新分配，具体特征为编码器突触层活动减少，而解码器泄漏层活动增加。此外，引入受控的高斯噪声被证明可以部分恢复重建质量，提高学习性能，显示出噪声驱动的补偿机制。
在讨论部分，研究人员指出，SNN不仅可以作为计算工具，还可以作为生物网络的可测试代理。研究证实，通过参数化神经元和突触动力学，可以模拟过度兴奋样态，这种样态在概念上类似于生物网络中的异常兴奋性。与生物物理模型不同，SNN中的过度兴奋样态特征并非持续的尖峰率增加，而是瞬时过度激活后的有效信号传播减少，导致活动分布的不平衡。这种不平衡导致信息传播效率低下，表现为解码器层的过度激活与前编码阶段的有效传输减少并存。然而，引入噪声可以部分抵消这种不平衡，通过重新激活欠活跃层并减少下游阶段的过度激活，从而恢复更平衡的活动分布。这一发现支持了噪声驱动的补偿机制，即随机扰动可以防止网络收敛到低效的活动样态，改善信息传播。
综上所述，本研究结论表明，特定的SNN参数样态可以重现过度兴奋样态的定性特征，并导致信息编码和重建性能受损。更重要的是，研究表明噪声驱动的补偿是一种可行的机制，可以缓解此类样态中的功能崩溃。通过将SNN自编码器定位为可扩展的、基于生物学的平台，本研究为系统神经科学中针对神经功能障碍和候选干预措施的假设驱动研究提供了新途径，桥接了ANN方法与机制模型，为理解改变兴奋性和随机扰动如何影响网络层面信息处理提供了具体路径。这项研究发表在《Frontiers in Systems Neuroscience》期刊上，强调了SNN在探究神经动力学机制中的独特价值。主要技术方法包括构建基于LIF和突触模型的脉冲自编码器，利用MNIST手写数字数据集进行图像压缩任务，通过调整神经元衰减参数模拟过度兴奋，并引入高斯噪声测试其补偿效应。研究强调了SNN在模拟病态动力学和测试干预措施方面的潜力，为系统神经科学提供了新的计算框架。
