神经动力学在信息处理峰值时显著变快且更非线性

神经群体保持刺激信息的时间尺度通常被视为固定的，尽管群体活动在感觉加工过程中会迅速变化。在单次刺激诱发的事件中，信息最优尺度是否会发生变化，以及是什么决定了它的演变，目前仍不清楚。我们开发了 Integration-Split，一个基于解码的框架，用于估计群体尖峰序列随时间变化的时间分辨率。在四种视觉范式中，以及在整个小鼠视觉层级中，最优尺度在刺激出现后收缩，随后又重新扩展。这一模式在不同刺激时间频率下持续存在，而在一个海马对照中基本缺失。最优尺度与刺激可解码性呈反向变化，当刺激身份被最准确地解码时达到最精细的分辨率。除这一关联之外，独立估计各候选窗口宽度下的信号-噪声自相关平衡，识别出了使基于自相关的信噪比最大化的窗口，而这一最优宽度紧密跟随 Integration-Split 轨迹。与这些发现一致，更强的非线性预测结构与更精细的最优时间分辨率相吻合，这与以下观点一致：需要更短的时间整合窗口来保持有信息量的非线性群体结构，否则该结构会被时间平均所削弱。为检验这一组织的功能相关性，我们训练了一个 Transformer 仅用于解码刺激身份，未向其提供最优时间尺度模式或 Integration-Split 输出。其学习到的注意力表现出类似的收缩-恢复特征，而破坏对应性更强的注意力头会产生更大的解码缺陷。总之，这些发现揭示了群体编码中一个动态变化的、信息最优的时间尺度，它由信号与噪声自相关的演变平衡以及非线性群体结构所塑造，并在未接受时间尺度监督训练的 Transformer 的学习注意力中被独立地重现。

中文由 AI 翻译，仅供参考，以原文为准。