- 2 次围观
皮层锥体神经元具有复杂的树突树结构、种类多样的非线性膜电导以及数以千计的可塑性突触，这表明其在单细胞层面具有相当可观的计算能力。然而，神经元究竟能够执行何种计算，仍然是一个悬而未决的问题，这在很大程度上源于缺乏一个用于量化其计算能力的系统性框架。我们提出了 TwinProp，这是一种基于数字孪生的反向传播算法，可借助一个具有毫秒级精度的深度神经网络（DNN），在详细的神经元模型中实现对突触强度和树突位置的基于梯度的优化。利用 TwinProp，我们证明大鼠第 5 层锥体细胞（L5PC）的详细模型能够以显著较高的准确率完成自然图像和音频分类任务，明显优于感知机和漏积分—发放模型这两类基线。该神经元还能够解决高维非线性问题，包括异或（XOR）、10 位奇偶校验以及随机布尔任务，展现出通常归因于多层网络的能力。从机制上看，随着任务复杂性的增加，分布式树突非线性被逐步募集，其中包括 NMDA 依赖性机制和电压依赖性机制；去除这些机制或压缩树突结构都会显著损害性能。这些发现表明，树突是实现高阶特征绑定的底层基质，并将单个皮层锥体神经元定位为强大、抗噪且通用的模拟计算单元。我们的结果提出了可在体内检验的预测，并提供了一个系统性框架，用于将细胞的形态—电学特性与大脑及人工系统中的计算联系起来。
皮层锥体神经元具有复杂精细的树突树结构，拥有多样的非线性膜电导以及数以千计的可塑性突触，这表明其在单细胞层面具备相当可观的计算能力。然而，神经元究竟能够执行何种计算，仍然是一个悬而未决的问题，这在很大程度上源于缺乏一个用于量化其计算能力的系统性框架。我们提出了 TwinProp，一种基于数字孪生的反向传播算法。该算法借助一个具有毫秒级精度的深度神经网络（DNN），能够在精细神经元模型中对突触强度和树突位置进行基于梯度的优化。利用 TwinProp，我们证明，大鼠第 5 层锥体细胞（L5PC）的精细模型能够以极高的准确率执行自然图像与音频分类任务，其性能显著优于感知机和漏积分发放模型这两类基线。相同的单个神经元还能够解决高维非线性问题，包括异或（XOR）、10 位奇偶校验以及随机布尔任务，展现出通常归因于多层网络的能力。从机制上看，任务复杂性的增加会招募分布式的树突非线性机制，包括 NMDA 依赖性和电压依赖性机制；去除这些机制或压缩树突结构都会显著损害性能。这些发现表明，树突是实现高阶特征绑定的重要生物学基础，并将单个皮层锥体神经元定位为强大、抗噪且通用的模拟计算单元。我们的结果提出了可在体内检验的预测，并提供了一个系统性框架，用于将细胞的形态—电生理特性与大脑及人工系统中的计算联系起来。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.08.730984v1?rss=1
🏷️ 锥体神经元 树突计算 数字孪生 反向传播优化 自然图像分类 NMDA非线性
来源出处