- 1次围观
许多神经记录研究揭示，在大规模神经活动模式中编码着与行为相关的低维变量集合。然而，仅凭降维分析无法对神经网络如何稳定地实现计算作出因果性解释，也无法说明这些计算如何抵御单个神经元动力学所具有的显著变异。此外，现有的降维方法往往依赖于关于网络结构的简化假设，从而限制了其适用范围和解释能力。为建立一个描述高维神经网络中低维计算动力学的理论框架，我们在此提出潜在处理单元（latent processing units，LPUs）的概念。LPUs 是在生物神经回路中运行、且与具体网络架构无关的计算要素。关于 LPUs 编码与计算的六条定理共同解释了一系列常见的生物学发现：低维的编码变量集合能够产生高维的神经动力学；许多神经元的活动模式能够表征与行为相关的变量，却对下游回路施加很小的影响；对神经群体活动进行线性读出通常能够实现近乎最优的解码；即使网络计算保持完整，神经表征也常常会发生显著漂移。总体而言，我们对 LPUs 的论述将其视为网络动力学的具体实现，在一个统一框架下融合了神经计算的几何观与动力学观，并为系统神经科学提供了关于大脑如何执行可靠计算的因果性解释。
许多神经记录研究发现，大规模神经活动模式中编码着一组低维且与行为相关的变量。然而，仅凭降维分析无法对网络如何稳定地实现计算给出因果解释，也无法说明这种计算如何抵御单神经元动力学中的显著变异。此外，现有降维方法往往依赖对网络结构的简化假设，从而限制了其适用范围和解释力。为建立一个理论框架，用以描述高维神经网络中低维计算的动力学，我们在此提出潜在处理单元（latent processing units，LPUs）的概念。LPUs 是在生物神经回路中运作、且不依赖特定网络架构的计算单元。关于 LPU 编码与计算的六条定理，共同解释了多种常见的生物学发现：低维编码变量集合能够产生高维神经动力学；许多神经元的活动模式虽表征与行为相关的变量，却对下游回路影响甚微；神经群体活动的线性读出通常能够实现近乎最优的解码；即便网络计算保持完整，神经表征也常发生显著漂移。总体而言，我们对 LPUs 及其在网络动力学中的实现方式所作的论述，在统一框架下整合了神经计算的几何学视角与动力学视角，并为系统神经科学提供了关于大脑如何执行可靠计算的因果解释。
作者声明不存在利益冲突。
感谢您有兴趣传播 bioRxiv 的信息。
注意：此处要求提供您的电子邮箱地址，仅用于确认您是……
本文的发送者
关键词：潜在处理单元 · 神经网络动力学 · 低维神经表征 · 神经计算 · 系统神经科学
原文链接：https://www.biorxiv.org/content/10.64898/2026.07.10.737763v1?rss=1