理解神经元放电产生的大量数据
科学家们在预测运行在混沌神秘边缘的大型网络中的神经元行为方面取得了突破。
苏塞克斯大学和京都大学的一项新研究概述了一种新的方法，能够分析由成千上万的单个神经元．
新框架在预测和评估网络特性方面优于以往的模型，它更准确地估计了系统的波动，对参数变化更敏感。
随着新技术允许记录来自活体动物的数千个神经元，迫切需要数学工具来研究它们产生的高维数据集的非平衡、复杂动态。在这一努力中，研究人员希望帮助回答动物如何处理信息和适应的关键问题环境变化．
研究人员还认为，他们的工作可以有效地减少训练大型AI模型的大量计算成本和碳足迹，使此类模型更广泛地提供给较小的研究实验室或公司。
苏塞克斯大学工程与信息学学院的玛丽·斯克罗多夫斯卡- curie研究员米格尔·阿奎莱拉博士说:“直到最近，我们才有技术记录下动物体内数千个神经元，当它们与环境相互作用时，这是一个巨大的进步，从研究在实验室培养中分离的神经元网络，或在固定或麻醉的动物中。”
“这是一个非常令人兴奋的进步，但我们还没有方法来分析和理解由非平衡行为产生的大量数据。我们的贡献为推动技术进步提供了可能性，从而找到解释神经元如何处理信息和产生行为的模型。”
这篇论文今天发表在自然通讯他开发了快速近似神经网络模型复杂动态的方法，这些模型捕获了在实验室中观察到的真实神经元的行为、它们是如何连接的以及它们如何处理信息。
研究团队向前迈出了重要一步，他们创造了一种方法，可以在显著波动的非平衡情况下工作，即动物在现实世界中与环境相互作用时所处的环境。
阿奎莱拉博士说:“了解大型系统如何工作的最有效方式是使用统计模型和近似方法，其中最常见的是平均场方法，在这种方法中，网络中所有交互作用的影响都用简化的平均效应近似表示。
“但这些技术通常只在非常理想的条件下工作。大脑处于不断的变化、发展和适应中，表现出复杂的波动模式，并与快速变化的环境相互作用。我们的模型旨在精确捕捉这些非平衡情况下的波动，我们预期这些非平衡情况是由自然环境中自由行为的动物产生的。”
统计方法捕捉动态大型网络特别是在混沌边缘的区域，一个介于混沌和有序活动之间的特殊行为区域，在这里，神经元活动发生剧烈波动，被称为神经元雪崩。
与之前的数学模型不同，研究人员使用了一种信息几何方法来更好地捕捉网络相关性，这使他们能够创建近似神经活动轨迹的简化地图，这些神经活动在现实中非常复杂，很难直接计算。
京都大学信息学研究生院的研究员S. Amin Moosavi博士说:“信息几何为我们系统地推进我们的方法提供了一条清晰的路径，并提出了新的方法，从而产生更精确的数据分析工具。”
京都大学信息学研究生院副教授Hideaki Shimazaki教授说:“除了为大型系统提供先进的计算方法外，该框架统一了许多现有的方法，我们可以进一步推进神经科学和机器学习。我们很高兴能提出这样一个统一的观点，它表达了这种密切国际合作的产物——科学进步的一个标志。”
阿奎莱拉博士接下来将把这些方法应用于模型成千上万的神经元这是欧盟资助的dimensional项目的一部分，该项目旨在开发大规模行为的生成模型，并为行为如何从生物体的神经系统、身体和环境的动态交互中产生提供重要的见解。
进一步探索
