稳态可塑性实现稳定、灵活且可调的神经元组装体

被称为集群（assemblies）的强相互连接神经元群体可通过突触可塑性机制动态形成，并被认为是大脑中记忆的物质基础之一。许多集群形成模型采用Hebb型兴奋性到兴奋性突触可塑性，其中协同活动会增强递归连接结构。然而，这些模型通常只产生二元化的集群结果：网络连接要么较弱（无集群），要么达到最大强度（有集群）。 我们考虑这样一类网络：其中同时存在Hebb型兴奋性到兴奋性突触可塑性，以及具有可塑性的抑制性到兴奋性突触；后者通过稳态调节机制将兴奋性神经元的放电稳定在某一目标值。当我们将兴奋性到兴奋性突触可塑性设定为符合稳态调节原则，即在稳态目标放电率下增强与减弱保持平衡时，我们发现存在一个稳定的突触强度连续统，此时集群结构不再是二元的。 我们采用一个由脉冲神经元模型构成的递归网络及其相应的平均场理论，将这一连续统识别为突触权重空间中的一条线吸引子。在该吸引子上，稳态调节确保神经元放电率保持不变；但网络的动力学响应特性却具有很强的可塑性，其中强耦合网络表现出更高的增益和更长时间尺度的响应。利用平均场理论，我们表明兴奋性神经元之间相关的随机脉冲活动会破坏这条线吸引子；然而，当相关输入由兴奋性和抑制性神经元共享时，这种破坏可得到缓解。 总体而言，我们提出了一种基于稳态调节的替代性学习框架，在该框架下，可以实现可调且灵活的集群结构。

被称为神经元集群（assemblies）的强相互连接神经元群体，会通过突触可塑性机制动态形成，并被认为是大脑中记忆的底层基础之一。许多集群形成模型采用赫布型兴奋性到兴奋性突触可塑性，在这种机制下，协调活动会增强循环连接结构。然而，这些模型通常只会产生二元化的集群结果：网络连接性要么较弱（无集群），要么达到最大强度（有集群）。

我们考虑了一类网络，其中同时存在赫布型兴奋性到兴奋性突触可塑性，以及一种作用于抑制性到兴奋性突触的可塑性机制，该机制通过稳态调节将兴奋性神经元的放电稳定在目标值。当我们将兴奋性到兴奋性突触可塑性设定为符合稳态调节原则时，即在稳态目标放电率下，突触增强与突触抑制彼此平衡，我们发现会出现一个稳定的突触强度连续谱，而集群结构也不再是二元的。

我们使用了一个由脉冲神经元模型构成的循环网络及其相应的平均场理论，识别出该连续谱在突触权重空间中对应于一条线吸引子。当系统沿着该吸引子演化时，稳态机制保证神经元放电率保持不变；但网络的动力学响应特性却具有很强的可塑性，其中强耦合网络表现出更高的增益和更长时间尺度的响应。

利用我们的平均场理论，我们表明，兴奋性神经元之间具有相关性的随机脉冲活动会破坏这条线吸引子；然而，当相关输入在兴奋性神经元和抑制性神经元之间共享时，这种破坏作用可以得到缓解。总体而言，我们提出了一种基于稳态调节的替代性学习框架，在该框架下，可以实现可调且灵活的集群结构。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.05.31.729097v1?rss=1

🏷️ 稳态可塑性 神经元组装体 突触可塑性 线吸引子 脉冲神经网络