🧬 biology

Dynamics of Excitatory-Inhibitory Coupling in Quantum Memristive LIF Neurons

本文提出了一种由两个耦合的量子忆阻漏积分发放神经元组成的极简唯象模型，该模型成功复制了关键的兴奋-抑制动力学，包括六种不同的发放机制和一个独特的静默状态，同时强调了在量子神经形态架构中由 Fock 空间截断所导致的幅度调制限制。

原作者： Marta Adamowska, Domenica Dibenedetto

发布于 2026-09-14

📖 1 分钟阅读☕ 轻松阅读

原作者： Marta Adamowska, Domenica Dibenedetto

原始论文采用 CC BY 4.0 许可（https://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

人类大脑是一个由数十亿个被称为神经元的微小细胞组成的庞大网络，它们通过一种鼓励活动或抑制活动的微妙信号平衡进行通信。这种兴奋与抑制之间的推拉作用是思维的基本节奏，使大脑能够处理信息、学习并适应环境。几十年来，科学家们一直试图构建能够模仿这种生物舞蹈的计算机模型，希望创造出思考方式更接近生命心智的机器。最近，一个新的前沿领域已经开启，即这些受大脑启发的模型与量子力学中奇异且反直觉的定律相遇。在这个新兴领域中，研究人员正在探究，当这些在生物大脑中观察到的复杂、有节奏的行为被转化为量子领域时——在那里，粒子可以同时存在于多种状态中，且信息是通过光而非电来传递的——这些行为是否能够存续。

马斯特里赫特大学的一个研究小组通过使用一种新型量子模型模拟一个微小的双神经元网络，在回答这一问题方面迈出了重要一步。他们专注于一种被称为“量子忆阻型漏积分发放”（quantum memristive leaky integrate-and-fire）神经元的特定设计。要理解这一点，请想象一个简单的电路，它就像一个水桶：它缓慢地注满水（代表电荷），直到达到一定水平，此时水会溢出、排空，然后重新开始注水。在生物世界中，这种溢出代表神经元发出信号。该模型的“忆阻”部分增加了一层记忆层，这意味着水桶的泄漏率可以根据流过的水量而改变，从而模拟真实神经元的适应性。“量子”层面则用一个遵循量子物理规则的系统取代了简单的水桶，在该系统中，神经元的状态由概率和能量级而非仅仅是电压来描述。

研究人员构建了一个由两个这样的量子神经元组成的环形连接模拟系统。其中一个神经元被设计为兴奋性的，意味着它发送一个鼓励另一个神经元发射信号的信号。另一个则是抑制性的，发送一个起到刹车作用的信号，使第一个神经元更难发射信号。他们向第一个神经元施加了一个外部节奏，类似于稳定的心跳或滴答作响的时钟，以观察这对组合如何共同作用。目标是观察这些量子单元能否重现真实生物网络中观察到的丰富多变的放电模式，例如规律的节奏、爆发性的活动或沉默期。

模拟结果显示，该量子模型成功捕捉到了其生物对应物的核心角色。兴奋性连接如预期般工作，推动接收神经元趋向于发射；而抑制性连接则起到了抑制作用，有效地增加了系统的“泄漏”，从而阻止了活动。通过调整这些连接的强度和外部驱动的节奏，研究人员能够产生六种截然不同的放电模式。其中包括稳定的规律放电；最初快速爆发随后迅速消退的活动；以及不规则的混沌脉冲。这表明，即使是一个极简的量子网络，也能保留经典神经系统复杂的动力学特征。

然而，这项研究也揭示了一种仅存在于该量子模型中的独特行为，这在标准的生物模拟中并未出现。在某些条件下，特别是当抑制信号很强时，网络会陷入永久的沉默状态。在这种情况下，第一个神经元会发射几次脉冲，触发抑制性神经元，随后后者会完全关闭第一个神经元。值得注意的是，即使在抑制信号消失后，第一个神经元仍然保持沉默，无法重新启动其放电循环。研究人员发现，这是因为量子模型在每次脉冲后都会重置到一个特定的“基态”。如果抑制信号阻止了脉冲的发生，系统就失去了重置的机会，从而被困在略低于再次发射所需的阈值之下。这表明，虽然该模型功能强大，但它具有特定的结构约束，如果要在更大规模的网络中构建，必须对其进行管理。

另一个关键发现涉及神经元如何传递其信号强度。在模型中，每次脉冲携带的信息量理应根据神经元的内部状态而变化。研究人员发现，这种通信深受其模拟中一个技术限制的影响，即“福克空间截断”（Fock space truncation）。在量子物理学中，为了使数学计算变得可行，通常需要限制可能存在的能量状态数量。团队发现，他们在模拟中观察到的最大、最剧烈的脉冲并非神经元动力学的自然结果，而是由于触及了这个人工设定的上限而产生的伪影。当他们增加这个上限的大小时，最大脉冲的大小也随之增长，这证明了极端值是数值边界而非物理现实。这意味着，目前该模型处理信号强度的方式更像是一个二进制开关——指示系统是正常运行还是触及了极限——而不是一个用于传输细微信息的平滑、连续的通道。

尽管存在这些局限性，这项工作仍提供了重要的概念验证。它表明，兴奋性和抑制性耦合的基本逻辑（这对于大脑功能至关重要）可以在从经典电路转向量子电路的过程中得以保留。该模型成功重现了强迫系统的预期行为，即神经元将其放电节奏锁定到外部驱动上，这种现象被称为相位锁定（phase locking）。这种一致性表明，大脑的核心非线性动力学足以在向量子领域的过渡中保持稳健。

研究结论指出，尽管这个双神经元网络是一个简化的实验平台，但它成功捕捉到了耦合神经动力学的定性本质。它证实了量子神经元可以以镜像生物现实的方式进行交互，产生复杂的活动与沉默模式。同时，它也强调了仍需解决的具体挑战，例如沉默陷阱和信号振幅的伪影问题，这些问题必须在将这些模型扩展到更大、更复杂的架构之前得到解决。通过绘制出这种量子方法的成功之处与边界，这项研究为未来量子神经形态计算的发展奠定了基础，使实现类脑量子机器的愿景向现实又迈进了一步。

技术摘要：量子忆阻型 LIF 神经元中兴奋-抑制耦合的动力学研究

问题陈述
量子神经形态计算旨在将类脑架构与量子力学原理相结合，以探索新型信息处理范式。虽然单个量子神经元模型（如规范量化的忆阻型漏电流整合发放 [QMLIF] 神经元）已被建立，能够重现量子忆阻器特性和阈值驱动的脉冲行为，但耦合 QMLIF 神经元的集体动力学仍很大程度上未被探索。具体而言，目前尚不清楚这些量子单元组成的网络是否能够保留与兴奋-抑制相互作用相关的定性动力学特征，而这对于生物神经计算和神经形态系统设计至关重要。本研究旨在解决理解 QMLIF 神经元如何通过突触耦合进行相互作用的问题，这是迈向可扩展量子神经形态架构的必要步骤。

方法论
本研究引入了一个由两个耦合 QMLIF 神经元（神经元 A 和神经元 B）组成的极简唯象模型，两者呈闭环排列。神经元 A 接收外部驱动，并向神经元 B 投射一个兴奋性突触；而神经元 B 则反过来向神经元 A 投射一个抑制性突触。

神经元模型： QMLIF 神经元源自忆阻型 LIF 单元，其中耗散漏电阻被半无限、无损的传输线浴（遵循 Caldeira–Leggett 模型）所取代。该神经元表现出类似于经典 LIF 模型的脉冲行为，但在发放后会重置为真空态，进入不应期。
突触耦合： 相互作用通过 alpha 型突触后核（alpha-shaped postsynaptic kernels）进行建模。
- 兴奋（Excitation）： 建模为添加到哈密顿量中的附加驱动电流 ( $I_{exc}$ )，旨在促进突触后发放。
- 抑制（Inhibition）： 建模为 Gorini–Kossakowski–Sudarshan–Lindblad (GKSL) 主方程中增强的有效漏电流 ( $\gamma_{inh}$ )，用以抑制膜电位去极化。
- 状态依赖性： 突触强度由每脉冲振幅 $\mu$ 进行调制， $\mu$ 定义为在重置到真空态之前的预期光子数 ( $\langle \hat{n} \rangle$ )。
数值实现： 模拟使用简化单位进行，采用固定的神经元参数（改编自 Brand 等人的研究），并使用可调的 Fock 空间维度 ( $N$ ) 来评估截断效应。指标包括脉冲计数、脉冲间隔 (ISI)、适应指数和相位锁定值 (PLV)，用于表征发放模式和同步性。

核心贡献
本文提出了四个主要贡献：

验证突触角色： 研究证明，在量子机制下，兴奋性突触促进突触后发放，而抑制性突触通过增强有效漏电流来抑制活动，从而保留了经典网络中预期的定性角色。
生成发放机制： 通过调节外部驱动和突触参数，该网络生成了六种不同的发放模式机制（包括强直性脉冲、初始/规则/延迟爆发、瞬态脉冲和不规则脉冲），这些模式在经典整合发放模型中是已知的。
表征相位锁定： 研究表征了在周期性强迫下的相位锁定现象，表明耦合系统表现出与周期性强迫的经典整合发放系统一致的缠绕现象，包括 1:1 和更高阶的 $n:m$ 锁定。
识别模型特定约束： 本工作识别了一种独特的“沉默机制”，即循环抑制中断了由重置驱动的发放循环，使驱动神经元被困在阈值以下。此外，研究还分析了每脉冲振幅，揭示了其对 Fock 空间截断的敏感性。

结果

发放模式： 该网络成功重现了八种典型发放模式中的六种。两种模式——脉冲频率适应和延迟加速——未能重现。作者将其归因于结构性限制：反馈回路是纯抑制性的，缺乏实现这些特定动力学所需的慢状态变量或正向亚阈值反馈。
沉默机制（The Silent Regime）： 一个重要的发现是永久沉默态的出现。当抑制足够强时，它会在驱动周期内抑制脉冲。由于 QMLIF 模型仅在发生脉冲时才将密度矩阵重置为基态，因此缺乏脉冲会导致无法重置。结果，神经元会停留在略低于阈值的状态，即使在抑制性漏电流衰减后也会保持在该状态。这是该公式的一个结构性特征，而非通用的网络效应。
相位锁定： 驱动神经元表现出非线性缠绕行为。高相位锁定值 (PLV) 与持续发放相关。在低频下发现的低 1:1 PLV 区域对应于更高阶的 $n:m$ 锁定，而非弱同步。开环和闭环系统的锁定图几乎完全相同，这表明循环抑制对锁定区域本身的影响很小，尽管它在低驱动振幅下引入了额外的沉默点。
突触振幅与截断： 对每脉冲振幅 $\mu$ 的分析显示，大振幅脉冲是 Fock 空间截断产生的伪影。最大振幅随截断维度 $N$ 线性缩放。在恒定负电流（这会使经典 LIF 神经元沉默）下，QMLIF 神经元会以大振幅进行强直性发放，因为负驱动将振荡器推向更高的 Fock 态，直到被截断的基底饱和，从而强制产生回弹超过阈值。这表明 $\mu$ 主要作为饱和的二元标记，而非连续的梯度量子信息通道。

意义与主张
本文声称，即使是一个极简的两个神经元 QMLIF 网络也能捕捉到耦合神经动力学的关键现象特征，特别是兴奋与抑制之间的平衡以及对外部驱动的非线性缠绕。这些结果表明，对忆阻型 LIF 神经元的规范量化保留了其经典对应体的基本定性动力学。

然而，作者对模型的完整性持谨慎态度。他们明确指出，目前的振幅调制突触应被解释为一种现象学耦合规则，而非一个完全解析的梯度量子信息传输通道，因为振幅分布受截断伪影的主导。此外，对沉默机制的识别以及无法重现某些发放模式的情况，凸显了当前公式的具体约束。作者总结道，这些发现为评估耦合 QMLIF 动力学提供了受控测试平台，但未来的工作必须解决内部动力学机制和截断伪影问题，以实现可扩展、稳健的量子神经形态架构。

类似论文