🧬 biology

How Recurrent Neural Information Flow Can Generate a Setpoint

本文表明，在循环神经网络中，一个独特且稳定的活动设定点并非源于塑性或外部目标，而是源于信息通过兴奋-抑制回路的内在流动，其中稳定性严格受反馈增益、延迟以及一个必须大于网络不稳定性生成其自身状态信息速率的通道容量所控制。

原作者： luciano fernandes

发布于 2026-10-09

📖 1 分钟阅读☕ 轻松阅读

原作者： luciano fernandes

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

大脑是一个庞大的细胞网络，通过发射电信号来进行思考、感受和运动。为了让这个系统正常工作，整体活动水平必须保持在一个特定的范围内。如果网络放电过少，它就会变得沉寂并停止工作；如果放电过多，则可能陷入混乱且不受控制的爆发。生物学家早已知晓，大脑拥有控制这种活动的机制，通常是通过随着时间调整细胞间连接的强度来实现。然而，一个精确的问题一直悬而未决：这个目标水平最初是从何而来的？大脑是需要一个独立的、专门的控制中心来不断测量活动并向神经元发送“目标”信号以告知其放电频率吗？还是说，网络本身通过其各部分之间简单的信号往复流动，就能自然地稳定在一个稳定的运行水平上，而无需任何外部指令？

华盛顿州立大学的卢西亚诺·费南德斯（Luciano Fernandes）开展的一项新研究，利用一个详细的神经网络数学模型探讨了这个问题。研究人员构建了一个虚拟大脑电路，由两组主要的神经元组成：鼓励放电的兴奋性细胞和抑制放电的抑制性细胞。在他们的模型中，这些细胞组以环路形式连接，其中兴奋性细胞驱动抑制性细胞，而后者反过来向兴奋性细胞发送信号以使其平静下来。至关重要的是，该模型不包含外部“设定点”变量，没有用于测量速率的独立传感器，也没有随时间改变连接的塑性。唯一的反馈来自于抑制性细胞本身。这项研究旨在探讨：是否仅靠抑制性细胞向兴奋性细胞回传信息的这种简单循环，就足以创造并维持一个稳定的放电率。

研究人员发现，答案是肯定的，但仅限于非常特定的条件。稳定放电率的值完全取决于在环路中流动的活动平衡。这是一个兴奋与抑制完美抵消的固定点，从而创造出一种独特的、稳定的节奏。然而，为了使这一水平保持稳定——即网络在受到微小扰动后能恢复到该水平——抑制信号必须以合适的强度和速度将关于网络当前状态的信息传递回兴奋性细胞。如果反馈太弱，网络就会偏离该水平；如果反馈太强，它就会开始剧烈震荡。研究从数学上证明，存在一个精确的反馈强度窗口，在此窗口内水平保持稳定，并且信号传输时间存在一个临界限制。

该论文的一个核心发现是，维持这种稳定性从根本上说是一个信息问题。网络本身是天生不稳定的；如果没有抑制性反馈，任何微小的初始状态差异都会呈指数级增长，导致网络奔向不同的状态。为了防止这种情况，抑制路径必须将有关网络当前状态的信息传回兴奋性细胞。研究计算了保持系统稳定所需的信息流动的确切最小速率。对于他们分析的特定网络，这个最小速率约为每秒 28.9 比特。这意味着反馈通道每秒必须能够承载至少这么多信息。如果通道速度低于此值，或者如果信号并不依赖于当前状态（例如，如果它是一个恒定的、不变的信号），网络就会失去稳定的水平，并坍塌为混沌状态或低活动状态。

为了测试这些理论极限，研究人员对网络进行了计算机模拟，其中包括一个包含 10,000 个像真实脑细胞一样放电的单个神经元的大规模版本。他们用不同速度传输信息的数字代码替换了自然的、连续的抑制信号。当他们使用一种将信息紧密打包的高效编码方法时，只要传输速率略高于计算出的 28.9 比特最小值，网络就能维持其稳定水平。当速率降至该阈值之下时，无论代码结构如何，网络都会无法维持该水平。相反，当他们使用低效编码方法时，网络需要更高的传输速率才能保持稳定。这证实了该限制不仅是一个理论上的奇趣，而且是反馈回路必须携带信息的硬性约束。

研究还检查了网络如何处理输入变化。虽然网络可以抵御微小的、暂时的冲击并返回其稳定水平，但它无法忽略持续的、恒定的输入变化。如果研究人员向兴奋性细胞施加持续的额外电流，稳定水平就会移动到一个新值。这表明，通过这种信息流产生的水平是一个“沉降点”（settling point）而非刚性的“设定点”（setpoint）。它是一个在受到扰动后网络会自然返回的稳定状态，但如果底层条件发生永久性改变，它也会随之移动。这种区别很重要，因为它表明此处描述的机制解释了网络如何针对噪声保持一个水平，但它并未解释大脑如何针对长期的变化保持一个固定的水平，后者可能需要该模型中未包含的其他生物学过程。

研究结果表明，大脑维持稳定放电率的能力可能并不依赖于一个独立的、专门的控制器。相反，稳定性是从抑制性神经元向兴奋性细胞传递信息的这一行为中涌现出来的。网络之所以能保持其水平，是因为抑制性反馈携带了足够关于当前状态的信息，以抵消网络向漂移发展的自然倾向。这种信息流就像是维持系统稳定的胶水。该研究提供了一个精确的、可测试的预测：在任何依赖于这种抑制稳定机制的生物电路中，携带抑制信号的路径必须具备超过特定最小速率的信息传输能力。如果信号太慢、噪声太大或延迟太高，电路就会失去稳定性。这为我们提供了一种看待神经调节的新方式，即将维持大脑活动性的问题，从“匹配一个目标”转变为一个“连续的信息论平衡过程”，即数据本身的流动创造了稳定性。

技术摘要：循环神经信息流如何产生设定值（Setpoint）

问题陈述
本文探讨了神经系统中一个基本问题：是什么决定了神经活动在受到扰动后返回的特定放电率水平（即“设定值”）？现有的模型虽然解释了在给定参考值的情况下如何维持活动（通常通过显式的目标率变量或可塑性规则），但并未解释参考值本身的来源。作者研究了是否可以仅通过具有固定连接的循环网络中活动的流动与信息的传递，从而产生一个吸引操作水平，而无需显式的目标率变量、单独添加的感觉/效应器电路或突触可塑性。

研究方法
本研究结合了严谨的数学证明和有限时间模拟：

精确平均场模型： 作者利用了异质二次积分放电（QIF）神经元的精确群体缩减模型（Montbrió et al., 2015）。该方法将网络动力学简化为一个由六个常微分方程组成的封闭系统，描述兴奋性（E）和抑制性（I）种群的放电率及其电压中心。
两种网络配置：
- 精确构建： 选择了一组用于代数易处理性的特定参数集，以证明关于稳定性及信息率的精确界限。
- 参考网络： 使用了一组具有生物学合理性的参数集进行模拟，其特征包含一个由 8,000 个兴奋性神经元和 2,000 个抑制性神经元组成的兴奋性种群。
- 随机网络： 生成了 68 个随机的抑制稳定网络（ISNs），以测试发现的普适性。
控制论与信息论工具： 分析应用了数据速率定理（确立了稳定不稳定系统所需的最小信道容量）、波德灵敏度积分（建立反馈增益与扰动衰减之间的关系）以及香农信息论。
干预措施： 通过以下方式操纵兴奋性细胞接收到的抑制信号：
- 反馈增益与延迟： 缩放信号的状态相关部分并引入时间滞后。
- 有限速率编码： 使用高效的“缩放”（zooming）编码器或静态量化器（例如一比特编码）替换模拟抑制信号，以测试容量极限。
- 噪声注入： 在抑制通路中加入白高斯噪声，以测量信息传输速率。
- 状态无关信号： 将动态信号替换为恒定或重放信号，以测试状态相关性的必要性。

核心贡献与结果

唯一水平的存在性： 作者证明，对于具有固定连接的网络，在兴奋-抑制回路中流动的活动平衡确定了一个唯一的、正的平衡放电率。该水平由网络的结构参数（耦合强度、兴奋性分布）决定，而非由外部参考值决定。
吸引条件（稳定性）：
- 增益窗口： 当且仅当抑制反馈增益（ $g$ ）处于一个精确窗口内时（例如，对于精确构建， $7/16 < g < 1187/512$ ），该水平在局部是指数稳定的。低于下限，系统会发散；高于上限，系统会发生进入振荡的霍普夫分岔（Hopf bifurcation）。
- 临界延迟： 在单位增益下，稳定性要求反馈延迟（ $d$ ）低于临界值（ $d_c \approx 1.5675\tau$ ）。
- 状态依赖性： 如果抑制信号是状态无关的（恒定或重放的），则该水平是不稳定的。信号必须携带关于网络当前状态的信息。
信息率界限 ( $h$ )：
- 应用数据速率定理，作者证明任何稳定该水平的反馈机制都必须具备至少等于 $h$ 的信道容量，其中 $h$ 是网络的不稳定性产生关于其状态信息的速率（即被钳制系统不稳定特征值的实部之和）。
- 对于参考网络， $h \approx 28.9$ bits/s。
- 效率： 高效的“缩放”编码器可以在仅略高于 $h$ 的速率下（例如 $1.02h$ ）维持该水平，而静态编码由于量化低效，通常需要更高的速率（通常 $>2h$ 至 $8h$ ）。
信息恒等性与调节预算：
- 定理 4： 对于具有白高斯信道的线性化网络，接收信号积累关于初始状态信息的速率恰好为 $h$ ，且与噪声幅度或增益无关（只要 $g \neq 0$ ）。这确立了 $h$ 作为系统不稳定性的特征。
- 波德积分： 同样的速率 $h$ 确定了“调节预算”。灵敏度函数对数在频率上的积分等于 $h/2$ 。这意味着存在一种权衡：增强反馈虽然能衰减慢速输入，但也只能通过放大快速输入来实现。
沉降点（Settling Point）与设定值（Setpoint）之辨： 该水平在生理意义上是一个“沉降点”：它能抵抗瞬态扰动，但在持续输入下会发生偏移。网络缺乏集成机制（例如缓慢的钙依赖性调节）来拒绝持续偏差，因此该水平会随输入成比例移动。

意义与主张
本文声称提供了关于循环神经网络如何在没有显式设定值变量或可塑性的情况下生成吸引操作水平的精确且可测试的陈述。其意义在于：

机制起源： 证明了“设定值”是通过循环回路中流动的循环信息（特别是兴奋与抑制的平衡）产生的。
定量限制： 确立了维持该水平对抑制通路的信息容量有着严格的定量要求（ $C \ge h$ ）。
与其他概念的区别： 明确了在此语境下的“信息流”是指用于稳定系统的信道容量，这与可能在水平未被维持时依然存在的成对预测统计量（如传递熵）是不同的。
研究范围的局限性： 作者明确指出，这些结果是在特定模型类（固定连接、无可塑性）下建立的可能性。他们并未声称证明生物设定值总是以此方式产生，而是说明该机制足以生成一个吸引水平。该机制与生理设定值的映射仍是一个有待实验验证的假设。

这项工作连接了控制论与神经科学，表明神经放电率的稳定性从根本上受限于网络通过抑制反馈传输关于自身状态信息的速率。

类似论文