- 2 次围观
神经网络中的信用分配通常被表述为抽象误差梯度的计算。然而，在具有生物物理细节的多区室神经元模型中，这种梯度能否呈现为物理的、因果的形式，并实现在线监督学习，仍不明确。本文表明，详细神经元的电压相对于突触权重的梯度本身就是一种电压。对标准模拟器所求解的离散后向欧拉更新进行微分，可得到与原始电压动力学形式相同的方程，其驱动力为梯度电流。在不同输入条件下，于时间正向重放特定于权重的梯度电流，能够在L5锥体神经元中以极高保真度重现精确梯度（R² > 0.998）。将重放得到的梯度电压与局部学习信号配对，即可形成一种因果的在线学习规则。一个具有主动树突的单个L5锥体神经元能够学会重现包含钙平台电位和爆发放电的目标电压轨迹；由详细神经元构成的循环网络也能够学会生成目标时间模式，其表现远优于仅使用读出层的对照模型。这些结果表明，突触信用分配可以通过详细神经元的电压动力学在线实现，并可能为大脑中基于梯度的监督学习提供一种物理基底。
神经网络中的信用分配通常被表述为抽象误差梯度的计算。然而，在具有生物物理细节的多隔室神经元模型中，这种梯度能否呈现为物理性的因果形式，并支持在线监督学习，仍不明确。在此我们表明，详细神经元的电压关于突触权重的梯度本身就是一种电压。对标准模拟器所求解的离散后向欧拉更新方程进行微分，可得到与原始电压动力学具有相同形式的方程，其驱动力为梯度电流。在不同输入状态下，于时间上向前重放特定于权重的梯度电流，能够以极高的保真度再现一个L5锥体神经元中的精确梯度（R² > 0.998）。将重放得到的梯度电压与局部学习信号配对，可形成一种因果的在线学习规则。一个具有活性树突的单个L5锥体神经元能够学会重现包含钙平台电位和爆发放电的目标电压轨迹；详细神经元构成的循环网络也能够学会生成目标时间模式，其性能远超仅使用读出层的对照组。这些结果表明，突触信用分配可以通过详细神经元的电压动力学在线实现，并可能揭示大脑中基于梯度的监督学习的一种物理基质。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.14.751357v1?rss=1
🏷️ 突触信用分配 主动树突 多区室神经元模型 在线监督学习 梯度电流 生物物理神经网络
来源出处