Emergent E-I Structure in Performance-Evolved Reservoir Networks of Neuronal Population Dynamics
神经元群体动力学性能演化储层网络中涌现的 EI 结构
https://arxiv.org/pdf/2603.13635
摘要
理解网络结构如何产生神经元动力学，以及紧凑的计算模型能否仅从数据中恢复该结构，是计算神经科学中的一个核心挑战。我们应用性能依赖的网络演化（PDNE）框架对威尔逊-科恩（WC）神经元系统的动力学进行建模，这是一个经典的兴奋-抑制（E-I）双群体相互作用模型，构成了生理节律的基础。从最小种子网络出发，PDNE仅依据预测性能迭代地生长与剪枝储备池计算（RC）网络，从而得到紧凑的、任务优化的储备池网络。演化出的网络能够准确预测未见刺激幅度下的兴奋性E(t)与抑制性I(t)群体活动，并能以零样本方式泛化至全新的刺激配置：变化的脉冲数量、位置和幅度，且无需重新训练。对演化网络的结构分析揭示出一种一致的功能组织结构，其中包含专门用于E、I以及共享E-I表示的节点。重要的是，演化储备池的群体级连接自发地恢复了WC模型四种相互作用类型中三种的正确兴奋-抑制符号模式，而这一模式并非在设计中人为强加。这些结果表明，性能驱动的网络演化不仅能生成准确的生理节律模型，还具备结构可解释性，从而为构建紧凑且数据高效的神经元系统数字孪生开辟了一条道路。
I. 引言
大脑是复杂生理网络的典范，其从慢速δ振荡到快速γ爆发的涌现节律，源于兴奋性和抑制性神经元群体的相互作用 1 , 2 。理解网络结构如何产生这些动力学，反之，动力学功能如何约束网络拓扑，是计算神经科学和类脑计算中的一个核心挑战 3
。机器学习的最新进展为此类生理节律的数据驱动建模开辟了新途径，然而主流深度学习框架在很大程度上仍然是黑盒系统：它们预测效果良好，但对其所逼近的动力学背后的机制鲜有洞察 4
。这种预测能力与可解释性之间的张力，促使人们寻找更小、更具结构性且机制透明的计算模型。
神经元群体模型，如威尔逊-考恩（Wilson-Cowan, WC）模型 5
，以极少的参数化捕捉了兴奋-抑制（E-I）相互作用的本质动力学，产生了包括不动点、极限环和双稳态在内的丰富动力学库。人们曾尝试使用循环神经网络（RNNs）和神经常微分方程（Neural ODEs）等机器学习模型来复现此类动力学 6 , 7
，但这些方法通常需要大量参数，且提供的结构可解释性有限。一个关键的开放性问题在于：一个紧凑的、可学习的动力系统是否不仅能预测不同刺激条件下的神经元群体活动，还能发展出一种反映目标系统底层E-I组织的内部结构。
s ( t ) 是作为分岔参数的外部脉冲刺激。尽管WC模型极为简单，仅由两个耦合方程构成，却展现出丰富的动力学模式，包括单稳态、双稳态和持续振荡，使其成为结构感知动力学建模的理想测试平台。所有模型参数均提供于附录A。
我们的核心假设包含两个方面。首先，PDNE演化出的储备池能够准确预测未见刺激幅度和刺激配置下的WC群体动力学，跨越系统的分岔图景实现泛化，且所需参数数量远少于标准的大型储备池。其次，且更根本的是，演化网络的拓扑结构将自发地反映出WC系统的兴奋-抑制（E-I）连接结构，这并非出于人为设计，而是性能驱动的结构适应所涌现的结果。若该假设得以验证，这将证明任务优化的网络演化不仅能生成准确的生理节律模型，还能生成结构可解释的模型，其中学习到的网络架构编码了关于目标系统的机制信息。
II. 方法：储备池计算实现与PDNE
A. 储备池计算实现
B. 性能依赖的网络演化
标准储备池计算（RC）在训练前固定储备池拓扑结构，限制了对目标动力学复杂性的适应能力。我们采用PDNE框架¹⁴，其中储备池拓扑结构被迭代地增长，直到达到目标预测误差。从包含个节点的最小种子网络开始，该算法在每个演化步骤 t t交替进行两种结构操作：节点添加和删除（图1b）：
C. 训练数据
III. 预测性能与泛化
A. 跨刺激幅度的泛化
B. 对新颖刺激配置的零样本泛化
检验一个学习到的模型是内化了底层的系统动力学，还是仅仅记住了刺激-响应映射，一个更严格的测试是其能否在无需重新训练的情况下泛化至结构不同的输入。图3展示了这样一个测试：专门在双脉冲序列上训练的PDNE演化储备池，在脉冲数量、时间位置和幅度均变化的全新配置上进行评估，且未进行任何重新训练或微调。
这一结果具有重要的启示：储备池并没有学习到绑定于特定双脉冲训练格式的固定输入-输出映射，而是内化了WC系统的反应动力学，即其在任意时间点响应任意脉冲并产生正确兴奋性和抑制性轨迹的能力。每个脉冲实际上都将系统重置为一种瞬态响应，而演化后的网络复现了这种跨不同脉冲间间隔和幅度的“重置-响应”行为。这些发现表明，PDNE演化的储备池发展出了WC动力学的可泛化内部模型，而非特定于刺激的近似。
IV. 网络演化与结构分析
接下来，我们分析在解决WC建模任务时网络结构是如何演化的，在储备池生长和剪枝的过程中，联合跟踪预测误差、网络规模、连接密度和内部参数分布。
A. 演化动力学
具有代表性的初始和最终网络拓扑结构如图4(e, f)所示。稀疏的种子网络发展成为一个结构丰富得多的循环结构，具有更广泛的连接性和更大比例的输出节点。边的颜色揭示了演化后网络中兴奋性和抑制性连接的自发出现。这种结构重组在图(g)和(h)中进行了量化。演化后，节点增益分布从狭窄的初始范围显著拓宽至几乎整个允许区间，引入了异质的激活灵敏度，从而丰富了储层的动力学特性。相应地，边权分布从以弱正连接为主的状态，重组为一个覆盖正负值的宽而近乎对称的分布。负权重（对应抑制性相互作用）的增加与目标WC系统的兴奋-抑制耦合结构一致，这表明性能驱动的演化将储层拓扑结构塑造为能够反映底层神经元模型功能组织的动力学模式。
C. 与威尔逊-考恩连接性的结构对应
此外，我们考察了演化后的储备池是否在群体水平上重现了WC模型的带符号连接结构。跨重复实验的边缘极性如图5(d)所示，其中兴奋性E→I和抑制性I→E连接的百分比有所变化且低于WC预测的100%，但在大多数重复中仍存在正确的符号倾向。面板(e)显示了E→I和I→E方向的平均最短路径长度，这些长度在跨重复实验中基本保持对称，表明该网络在拓扑水平上并未复现WC模型“快兴奋、延迟抑制”的时间不对称性。
这些结果表明，PDNE演化过程纯粹由预测性能驱动，自发地恢复了威尔逊-考恩模型的定性E-I连接结构。演化后的储备池并未复现显式的两节点WC架构，而是发展出一种分布式多节点解，其群体级连接符号与底层神经元耦合一致，从而提供了一个结构可解释的、紧凑的E-I生理节律模型。
V. 讨论
本研究表明，性能驱动的网络演化能够产生紧凑、准确且结构可解释的神经元群体动力学模型。通过将PDNE框架应用于威尔逊-考恩（WC）系统，我们证明仅基于预测性能演化的储备池会发展出内部组织结构，自发地反映目标神经元模型的兴奋-抑制（E-I）架构，而这种对应关系并非由设计强加。
预测结果表明，具有66 ± 17个节点的PDNE演化储备池能够可靠地泛化至未见过的刺激幅度，更引人注目的是，无需任何重新训练即可泛化至脉冲数量、时间和幅度完全不同的全新刺激配置。这种零样本泛化表明，演化后的网络已经内化了WC系统的反应动力学、其刺激驱动的瞬态响应、E与I群体之间的时间尺度分离，以及连续脉冲之间的恢复过程，而非死记硬背特定的训练模式。这对神经元系统的数据高效数字孪生具有直接意义，因为在这些应用中，训练数据可能仅限于狭窄的实验条件范围。
结构分析揭示了两个互补的发现。首先，功能节点组成中E特异性、I特异性和共享节点的比例大致相等，且这一比例在随机性各异的重复实验中保持一致，证明PDNE演化能可靠地将储备池组织成镜像反映目标系统E-I结构的群体。这种组织结构在不同规模网络中的一致性表明，它反映的是任务的基本属性，而非特定网络实例化的结果。其次，演化网络的群体级连接自发地恢复了WC模型四种相互作用类型中三种的正确兴奋-抑制符号模式。唯一的结构偏差，即相对于I→E抑制更强的侧向I→I抑制，构成了一个原始WC公式中不存在但在皮层中间神经元生理学中众所周知的新涌现基序¹⁷。这表明演化过程发现了一类更广泛的E-I稳定机制，超越了目标模型中编码的机制，可能揭示了生物学上合理的替代动力学解。
这些发现具有多方面的广泛启示。对于神经元建模，它们证明E-I网络中的结构-功能关系可以仅从动力学中恢复，无需解剖学约束或对连接性的显式监督。对于储备池计算，它们确立了PDNE提供了一条从信息匮乏的随机储备池到适应任务的、结构可解释网络的原理性路径。对于基于RC的数字孪生构建¹⁸，它们表明紧凑的演化储备池可以作为神经元系统的机制透明代理，不仅捕获输出动力学，还捕获底层回路的组织原则。
若干方向值得未来深入探究。将该框架扩展至更复杂的神经元模型：多群体网络、空间结构的皮层回路，或表现出持续振荡和混沌的模型，将检验结构对应发现的普遍性。在演化过程中引入网络连接的生物物理约束（例如区分兴奋性和抑制性神经元的戴尔原则），可能进一步锐化演化储备池的结构可解释性。最后，将PDNE应用于真实连接未知的实验神经时间序列数据，代表了性能驱动的演化能否作为从动力学进行回路推断工具的终极检验。
通过融合网络科学、储备池计算和计算神经科学的见解，这项工作为构建高效、可解释且结构有意义的生理节律模型开辟了新途径，向基于动力学第一性原理的神经元系统紧凑数字孪生迈出了一步。
原文链接：https://arxiv.org/pdf/2603.13635
热门跟贴