🧬 biology

Testing quantum-like markers in neural dynamics

该论文提出了两项实验方案，旨在通过分析神经元网络中的功率谱和轴突电信号传播统计特性，来验证神经动力学是否遵循量子版本的方程而非经典模型。

原作者： Partha Ghose, Dimitris Pinotsis

发布于 2026-04-22

📖 1 分钟阅读☕ 轻松阅读

原作者： Partha Ghose, Dimitris Pinotsis

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

这篇论文提出了一项大胆的想法：我们的大脑活动，虽然看起来是经典的生物电信号，但也许在深层数学结构上，竟然和量子力学有着惊人的相似之处。

为了让你轻松理解，我们可以把大脑里的神经元想象成**“繁忙的地铁系统”，把电信号想象成“列车”**。

1. 核心背景：大脑是“湿漉漉”的，还是“量子”的？

传统观点（旧地图）： 过去几十年，科学家认为大脑太热、太湿、太嘈杂了，就像在暴风雨中的游泳池里试图玩扑克牌，不可能维持脆弱的“量子状态”。所以，大脑里的信号传播被看作是完全经典的，就像墨水在水里扩散一样（扩散模型）。
新观点（新地图）： 最近，一些科学家发现，如果我们换一种数学视角来看待这些电信号，它们的表现竟然和量子力学方程（薛定谔方程或狄拉克方程）长得一模一样。
这篇论文要做什么？ 作者帕尔塔·戈什（Partha Ghose）和迪米特里斯·皮诺蒂斯（Dimitris Pinotsis）说：“别急着下结论说大脑是量子计算机，我们先做两个实验，看看数据到底支持‘旧地图’（经典扩散）还是‘新地图’（量子类行为）。”

2. 两个关键实验：我们要测什么？

作者设计了两个实验，就像给大脑做“体检”，看看它到底遵循哪套规则。

实验一：听“心跳”的噪音（亚阈值振荡）

场景比喻： 想象神经元在没发火（没产生动作电位）的时候，其实一直在微微颤抖，就像一根琴弦在轻轻震动。这种震动叫“亚阈值振荡”。
经典视角： 这种震动就像风吹过树叶，噪音是随机的、杂乱无章的。
量子视角： 这种震动可能像是一个被“量子化”的钟摆，它的能量波动遵循某种特定的、类似量子的规律（就像普朗克常数 $\hbar$ 在微观粒子中起作用一样，这里有一个“神经普朗克常数” $\hat{\hbar}$ ）。
怎么做？ 科学家会记录神经元培养皿中的微弱电信号，分析它们的能量谱（就像分析声音的频率）。
- 如果数据符合经典公式，说明大脑只是普通的生物电路。
- 如果数据符合量子公式，那就意味着大脑里存在一种我们尚未发现的“有效量子常数”，暗示认知过程可能有量子层面的数学结构。

实验二：看“列车”跑得有多快（信号传播）

场景比喻： 想象一列火车（电信号）在铁轨（轴突）上跑。
经典模型（扩散模型）： 就像一滴墨水在纸上晕开。墨水扩散得越远，边缘越模糊，速度没有上限，但也没有明确的“车头”。如果你问“墨水什么时候到达终点？”，答案是一个模糊的概率云，没有明确的“最快到达时间”。
量子/凯斯模型（Kac-type）： 就像一列有速度上限的火车。它虽然也会因为随机转向（像凯斯过程描述的随机游走）而变慢，但它有一个明确的“最大速度”。这意味着，信号到达终点的时间分布会有一个**“尖峰”**（代表那些没怎么转弯、跑得最快的列车），然后才是后面拖着的长尾巴。
怎么做？ 科学家会在神经纤维的不同距离点（ $L_1, L_2, L_3$ $L_{1}, L_{2}, L_{3}$ ）放置传感器，发送一个微小的电信号，然后记录信号到达的时间。
- 如果到达时间的分布是平滑扩散的，那就是经典模型赢了。
- 如果到达时间的分布有一个清晰的“最快到达”尖峰，且符合特定的数学规律，那就支持“量子类”模型。

3. 什么是“量子标记”？（重要澄清）

作者特别强调，这里的“量子”不是说大脑里真的充满了像电子那样的微观量子粒子在跳舞。

比喻： 就像你可以用描述“流体”的数学方程来描述一群拥挤的人群，虽然每个人都是独立的个体，但整体行为看起来像流体。
这里的含义： 作者是在寻找一种**“有效的数学结构”。如果大脑的电信号数据完美符合量子方程的预测，那就说明大脑在宏观尺度上表现出了一种类似量子的秩序和规律**。这被称为“量子类（Quantum-like）”行为。

4. 总结：这有什么意义？

如果实验结果是“否”（Null Result）： 那也没关系！这证明了经典物理学模型在大脑中依然非常强大和准确，我们排除了一个错误的路径。
如果实验结果是“是”（Positive Result）： 这将是一个巨大的突破！它意味着我们可能找到了一把钥匙，能解释为什么大脑能如此高效地处理信息、产生意识，甚至可能揭示认知过程背后的深层数学原理。

一句话总结：
这篇论文就像是在说：“别光凭直觉认为大脑只是湿漉漉的电路，让我们用两个精密的实验（听震动、看速度）来验证一下，大脑的电信号是不是在偷偷模仿量子力学的舞步。”

这是一份关于论文《Testing quantum-like markers in neural dynamics》（测试神经动力学中的类量子标记）的详细技术总结。

1. 研究背景与问题 (Problem)

核心争议：长期以来，神经科学界普遍认为大脑的“温暖、潮湿和嘈杂”环境会抑制脆弱的量子态，因此量子过程不太可能影响脑功能。然而，近年来量子生物学的发展促使人们重新审视这一假设。
现有理论局限：虽然已有研究提出微管或细胞骨架可能是意识的量子基底，但缺乏在神经元层面（neural level）存在基本量子效应的证据。
数学联系：作者之前的研究（[12]）表明，带有噪声的 FitzHugh-Nagumo (FN) 神经元模型可以重构成薛定谔方程的形式，并引入了一个功能上类似于普朗克常数的“神经元常数” ( $\hat{\hbar}$ )。
本文目标：提出具体的实验方案，以区分神经动力学是遵循经典随机模型（如扩散电缆方程、FitzHugh-Nagumo 模型），还是遵循类量子模型（如狄拉克方程变体、Kac 型持久随机游走模型）。
关键定义：本文中的“量子”一词是在严格的操作和有效（effective）意义上使用的。它不主张微观物理本质是量子的，而是指有效描述的结构（如存在有效常数 $\hat{\hbar}$ ）和可测量的参数（如传播统计的标度行为）表现出类量子特征。

2. 方法论与理论基础 (Methodology & Theoretical Basis)

作者基于统计物理学中的**Kac 型持久随机游走（Persistent Random Walk）**理论，建立了经典扩散模型与类量子波动方程之间的数学联系。

2.1 经典模型 vs. 类量子模型

经典电缆方程 (Cable Equation)：
- 描述膜电位 $V(x,t)$ 的扩散过程（抛物型偏微分方程）。
- 假设信号传播是纯扩散的，扰动瞬间非零但随距离迅速衰减。
- 方程形式： $C_m \partial_t V = D \partial_x^2 V - g_L(V-E_L) + \eta$ 。
电报方程与 Kac 过程 (Telegrapher's Equation & Kac Process)：
- 引入有限传播速度 $v$ 和方向反转率 $\lambda$ （泊松过程）。
- 描述为双分量输运系统（向右/向左移动的概率密度 $P_\pm$ ）。
- 推导出的总概率密度 $P$ 满足电报方程： $\partial_t^2 P + 2\lambda \partial_t P = v^2 \partial_x^2 P$ 。
- 关键联系：在长时极限 ( $t \gg \lambda^{-1}$ ) 下，电报方程退化为扩散方程；但在短时/短距离尺度下，它保留了有限速度传播的特征。
量子对应：
- 通过相位变换，Kac 方程的形式可以映射到狄拉克方程（Dirac Equation）。
- 之前的 FN 模型加噪声可映射到薛定谔方程。
- 这种映射引入了复振幅和有效常数 $\hat{\hbar}$ ，使得经典随机过程在数学结构上等同于量子波动方程。

2.2 实验设计策略

作者提出了两个关键实验，旨在通过测量特定的统计特征来区分上述模型：

实验 I：测试亚阈值振荡的功率谱是否符合量子变体（薛定谔形式）而非经典 FN 模型。
实验 II：测试轴突中电活动的传播统计是否符合 Kac 型有限速度输运（类量子），而非经典扩散。

3. 关键贡献与实验提案 (Key Contributions & Proposed Experiments)

实验 I：亚阈值振荡与有效 $\hat{\hbar}$ 标度

目的：验证神经元培养物中膜电位亚阈值振荡的热能统计是否符合量子变体模型。
方法：
1. 对表现出亚阈值振荡的神经元（如大细胞神经元）进行全细胞膜片钳记录。
2. 同时监测培养物温度（设定热基线）。
3. 记录神经活动的频谱功率。
核心指标：
- 提取有效普朗克常数 $\hat{\hbar}$ ：通过分析振荡膜电位周围的噪声方差来推断。
- 能量 - 频率关系测试：比较实验测得的频谱功率 $P_B$ 与量子模型预测的能量公式 $\langle E \rangle = \frac{\hat{\hbar}\omega}{2} + \frac{\hat{\hbar}\omega}{e^{\beta\hat{\hbar}\omega}-1}$ 的拟合度。
- 对比经典 FN 模型（基于雅可比矩阵和噪声协方差的谱密度公式）与量子模型的拟合优度。

实验 II：被动电缆传播 vs. Kac 型随机游走输运

目的：区分电活动在轴突中的传播是纯扩散（经典）还是有限速度的持久随机游走（类量子）。
方法：
1. 使用微加工直通道引导单根轴突（或准 1D 束）。
2. 在输入端施加孤立事件（单动作电位或标准化亚阈值波形）。
3. 在多个距离点 ( $L_1, L_2, L_3$ ) 使用多电极阵列 (MEA) 记录。
核心观测指标：
1. 到达时间分布 $p(t; L)$ ：
  - Kac/持久模型预测：在“弹道”时间 $t \approx L/v$ 附近有明显的峰值（代表无反转传播），随后是长尾。
  - 经典扩散模型预测：分布更宽，呈纯色散状，无尖锐的弹道分量。
2. 时间色散的标度行为：
  - 分析平均到达时间 $\mu_t$ 和方差 $\sigma_t^2$ 随距离 $L$ 的变化。
  - 判别标准：持久随机游走在中间时间窗口表现出近似线性的 $L$ 依赖结构；而扩散模型的时间色散随 $L$ 增长更快。
3. 参数稳定性：使用全局参数 $(v, \lambda)$ 拟合所有距离数据。如果参数随距离或刺激条件漂移，则模型无效。

4. 预期结果与意义 (Results & Significance)

预期结果：
- 如果实验数据支持量子变体模型（即发现非零的有效 $\hat{\hbar}$ ，或传播统计显示出有限速度/弹道特征），则表明神经动力学在介观尺度上表现出类量子结构。
- 如果结果为零结果（Null result），即经典模型足以解释数据，这将明确界定经典随机模型在神经动力学中的有效范围。
科学意义：
1. 方法论突破：提供了一种不依赖微观量子纠缠，而是通过宏观/介观统计特征（如有效常数和传播标度）来探测“类量子”行为的操作性框架。
2. 认知基础：如果证实神经过程遵循此类方程，将为“量子效应可能是认知的基础”这一假设提供数学和实验支持，特别是关于非交换概率、上下文性和干涉效应的可能性。
3. 未来方向：只有当 Kac 型模型被证实后，才值得进一步测试更严格的量子特征（如上下文性、Leggett-Garg 不等式违背等）。
4. 模型修正：无论结果如何，该研究都将推动对神经元信号传播机制（特别是轴突和树突中的噪声与输运）的更精确建模。

总结

该论文并未声称大脑是量子计算机，而是提出了一种**“有效量子”的视角。通过利用统计物理学中的 Kac 过程与量子波动方程（狄拉克/薛定谔方程）之间的数学同构性，作者设计了两个精密的实验，试图在神经数据中寻找有效普朗克常数和有限速度传播**的统计标记。这为在神经科学中重新评估量子力学的作用提供了具体的、可验证的实验路径。