News Release

Less is more,大脑神经连接与动态运作的高效准则

Peer-Reviewed Publication

Science China Press

Figure 1.

image: (A) Schematic diagram of the structure of RN and MN; (b) Neural firing rate and wiring cost changes with network rewiring; (c) Neural avalanche size distributions of RN and MN; (d) Example of the stimulus-response processes of RN and MN. view more 

Credit: @Science China Press

人的大脑拥有无比强大的思考与运算能力,却仅需约20W的超低功率,能耗远远低于电子计算机。大脑网络的神经连接具有全局上稀疏而局部紧致的模块化特点,使得用于建立连接的总资源消耗大大减少。大脑中每个神经元的发放稀疏而不规则,而神经元群体的发放又具备一定的同步性,形成带有无标度(scale-free)特点的神经雪崩,并对外界刺激的响应敏感。然而,大脑结构与动力学性质如何自组织达至共同的效率最优化,人们目前对此仍然理解甚少。

最近,香港浸会大学物理系、非线性研究中心研究团队(梁俊豪博士,王圣军教授(陕西师范大学),周昌松教授)在《国家科学评论》(National Science Review, NSR)发表研究论文,通过大规模数值模拟,并结合新型平均场理论方法,对空间网络上的兴奋-抑制平衡神经回路动力学模型做了仔细研究。

研究表明:当把全局随机连接的网络(RN)重连成更符合生物实际的模块网络(MN),网络的运行消耗(发放率)与连接消耗均显著下降,且动力学模式上出现无标度的雪崩(即临界性),这使得网络能更有效地对外界的刺激作出相应(见图1)。

进一步分析发现,在重连过程中模块内密度增加是整体性质改变的关键:网络拓扑相关性的上升带来动力学相关性的上升,使得神经元更容易发放。利用新型平均场理论,作者导出单个模块的宏观场方程,揭示了模块密度增加引起神经发放率降低,且使系统接近Hopf分岔的特性。这解释了在更低发放代价下,临界雪崩的形成与对外界刺激的敏感性上升的特点。通过耦合多个模块得出的耦合振子模型,进一步揭示原网络重连过程中的动力学变化规律(见图2)。

该研究清晰地给出了大脑结构与动力学性质相互作用达至共同的效率最优化(而非两者的权衡)的准则,为人们理解生物大脑的高效运作原理,以及高性能类脑计算装置的设计提供了有力的支撑。此项工作得到国家自然科学基金委、大学教育资助委员会(香港)、香港浸会大学战略发展基金的支持。

###

文章信息:

Less is more: Wiring-economical modular networks support self-sustained firing-economical neural avalanches for efficient processing
https://doi.org/10.1093/nsr/nwab102


Disclaimer: AAAS and EurekAlert! are not responsible for the accuracy of news releases posted to EurekAlert! by contributing institutions or for the use of any information through the EurekAlert system.