Phenomenological renormalization group in neuronal models near criticality

技术摘要：神经元模型在临界点附近的现象学重正化群

问题陈述
现象学重正化群（PRG）已成为识别神经数据中尺度不变现象和临界行为的重要工具，为“大脑临界假说”提供了支持。然而，关于 PRG 信号的可靠性仍存在显著的研究空白：目前尚不清楚系统必须接近临界点到何种程度才能产生这些信号，或者这些信号是否可能是数据预处理产生的伪影。具体而言，针对不同动力学相位（亚临界、临界和超临界）下，PRG 结果对时间分箱（time-binning）选择的依赖性尚未得到系统性的研究。以往对经典模型（如接触过程、伊辛模型）的应用缺乏抑制机制等关键生物学特征，从而限制了其与真实神经数据的可比性。

方法论
作者通过将 PRG 应用于两个具有精确已知临界点的神经元模型来研究其鲁棒性，这两个模型均属于平均场定向渗透（MF-DP）普适类：

1. 可激发细胞自动机：一种基于随机网络的脉冲模型，其控制参数为分支比（$\sigma$）。
2. 随机整合-发放（I&F）网络：一个包含兴奋性和抑制性神经元的网络，其控制参数为抑制/兴奋耦合比（$g$）。

本研究采用了两种 PRG 粗粒化方法：

• 动量空间法：利用协方差矩阵的特征谱将数据投影到逐渐粗粒化的表示中。通过峰度（$\kappa$）和 KL 散度测量粗粒化变量（$\psi$）分布中偏离高斯分布的程度。
• 实空间法：迭代地将相关性最强的神经元配对形成簇，分析簇内平均方差的标度关系（$M^2 \propto C_{size}^\alpha$）。

至关重要的是，作者系统地改变了时间分箱大小（$\Delta t$），并引入了一种数据驱动的自适应分箱策略。该策略不再使用固定的 $\Delta t$，而是将分箱大小设定为与网络平均脉冲间隔（$\langle ISI \rangle$）成比例（$\Delta t = f \cdot \langle ISI \rangle$）。这确保了活跃分箱密度（$\rho_{bin}$）在不同动力学相位下保持稳定。通过打乱脉冲间隔以破坏相关性的置换数据（surrogate data）作为对照组。

核心结果

1. 时标失配产生伪信号：当使用固定时间分箱时，PRG 方法会产生误导性的结果。

   • 在亚临界状态下，较小的分箱会导致数据稀疏（多为零），导致粗粒化分布在零处出现尖峰，从而人为地抬高峰度，模拟出临界态的特征。
   • 在超临界状态下，较大的分箱会导致饱和（多为一），同样会产生尖峰分布和虚假的标度特征。
   • 没有单一的固定分箱大小能够同时兼顾这两个相位而不产生伪影。

2. 自适应分箱揭示真实的临界性：通过使用自适应分箱策略（$\Delta t \propto \langle ISI \rangle$），作者证明了 PRG 的临界性特征（非高斯分布和非平凡标度指数）仅出现在临界点的狭窄邻域内。

   • 粗粒化分布与高斯分布之间的 KL 散度在临界点处出现尖峰，并在亚临界和超临界相位中降至接近于零。
   • 实空间标度指数 $\alpha$ 仅在临界点附近从无相关基准（$\alpha=1$）过渡到非平凡区间（$1 < \alpha < 2$）。
   • 这些结果在多种标度因子（$f$）下都是稳健的，前提是分箱能维持稳定的活跃密度。

3. 模型验证：在随机 I&F 模型中加入抑制机制产生了更清晰的临界特征，强化了这些发现对生物系统的意义。即使在重度欠采样（模拟有限的实验观测性）的情况下，这些结果依然成立。

意义与主张
本文提供了首次系统的计算验证，证明了只要处理好数据预处理（特别是时间分箱），PRG 的尺度不变性特征是可靠的临界点接近指标。

• 强化实验解释：研究发现标度行为被限制在临界点周围的狭窄窗口内，这强化了对 PRG 分析实验神经数据所做的解释，表明观察到的特征很可能反映了真实的临界动力学，而非方法论造成的伪影。
• 方法论修正：研究强调了不当的时间分箱会引入虚假的标度特征。提出的自适应分箱程序为规避此问题提供了一种实用的解决方案，确保 PRG 结果反映的是系统的内在动力学，而非 $\Delta t$ 的任意选择。
• 范围：作者得出结论，虽然 PRG 是一个强大的探测工具，但其应用需要仔细关注底层动力学的时标，以区分真实的临界性与平凡行为。