单神经元输入输出复杂度的核谱指标
A Kernel-Spectral Index for Single-Neuron Input-Output Complexity
预印本 · 尚未经过同行评审
此前研究用人工神经网络拟合皮层锥体神经元，发现复现其毫秒级输入输出行为需要五到八层时间卷积网络，但现有复杂度量化多依赖替代模型，结果不易解释且计算开销大。作者提出谱复杂度指标，用显式核几何表示突触前历史，统计解释胞体响应能量所需的谱模态数，在35个人与小鼠皮层神经元详细生物物理模型上检验，与基于深度网络的复杂度指标相关（Spearman ρ = 0.797），并在采样与核扰动下保持稳定。该材料仅为预印本摘要，尚未经同行评审。
大脑中单个神经元的计算能力是计算神经科学的核心问题，也是神经科学与人工智能之间日益相关的联系。近期将人工神经网络拟合到详细皮层锥体神经元的工作表明，重现其毫秒精度的输入-输出行为可能需要五到八层的时间卷积网络，这提示皮层神经元可能作为脑回路内部的深度计算单元发挥作用。然而，目前关于单神经元复杂度的定量研究大多基于替代模型；因此，所得结果难以解释，且过程往往需要大量计算资源。我们引入谱复杂度指数（Spectral Complexity Index, SCI），这是一种白盒度量，它以显式的核几何表示突触前历史，并量化需要多少个有序谱模态才能解释胞体响应能量。在 35 个生物物理详细的人和小鼠皮层神经元模型中，SCI 对这两个物种产生了统计显著的区分，在这些细胞上与基于 DNN 的功能复杂度指数高度一致（Spearman 相关：{rho}=0.797），并且在采样和核扰动下保持稳定。此外，与 FCI 等现有方法相比，SCI 的计算成本降低至约 1/10 或更低。SCI 将单神经元复杂度从黑盒替代属性转变为可解释的谱对象，从而能够跨细胞和物种对神经元计算进行可重复、快速且高效的比较。
中文由 AI 翻译，仅供参考，以原文为准。
来源：bioRxiv · Neuroscience · biorxiv.org