理解发射神经元产生的质量数据
科学家在预测在混乱的神秘边缘的大型网络中的神经元的行为方面取得了突破。
苏塞克斯大学和京都大学的新研究概述了一种新方法，能够分析数千个数据产生的数据个别神经元。
新框架通过更准确地估算系统的波动，对参数变化的敏感性更高，在预测和评估网络属性方面优于先前的模型。
随着新技术允许记录活动物的数千个神经元，对数学工具的需求紧迫，以研究它们生成的高维数据集的非平衡，复杂的动力学。在这项工作中，研究人员希望帮助回答有关动物如何处理信息并适应的关键问题环境变化。
研究人员还认为，他们的工作可以有效地降低培训大型AI模型的庞大计算成本和碳足迹，这使得此类模型可用于较小的研究实验室或公司更广泛地使用。
苏塞克斯大学工程与信息学学院Marie Sklodowska-Curie研究研究员Miguel Aguilera博士说：“直到最近，我们才有技术在与环境互动的过程中记录数千个单独的神经元，这是研究在实验室培养物或固定或麻醉动物中分离的神经元网络的巨大迈进。
“这是一个非常令人兴奋的进步，但我们还没有分析和理解非平衡行为创建的大量数据的方法。我们的贡献提供了推进技术的可能性，以寻找可以解释神经元如何处理的模型信息并产生行为。”
该论文今天发表在自然通讯，开发方法快速近似于神经网络模型的复杂动态，这些动态捕获了实验室中观察到的真实神经元的方式，它们的连接方式以及如何处理信息。
向前迈出了一大步，研究团队创建了一种方法，该方法在与现实世界中与其环境互动时在显着波动的非平衡情况下起作用。
Aguilera博士说：“学习大型系统工作方式的最有效方式是使用统计模型和近似值，其中最常见的是均值野外方法，在网络中所有相互作用的效果都通过简化的平均效应近似。
“但是这些技术通常只是在非常理想化的条件下起作用。大脑处于不断变化，开发和适应性，显示复杂的波动模式并与迅速变化的环境相互作用。我们的模型旨在准确捕获这些非平衡情况下的波动，这是我们期望的。从自然而然地在自然环境中自由表现的动物。”
统计方法捕获了大型网络特别是在混乱边缘的区域，这是混乱和有序活动之间的特殊行为区域，在神经元活性中发生强烈的波动，称为神经元雪崩。
与以前的数学模型相反，研究人员采用了信息几何方法来更好地捕获网络相关性，从而使他们能够创建简化的地图，以近似于神经活动的轨迹，实际上，这实际上行进的非常复杂的路线很难直接计算。
京都大学信息学研究生院研究员S. Amin Moosavi博士说：“信息几何形状为我们提供了一个清晰的途径，可以系统地推进我们的方法并提出新颖的方法，从而获得更准确的数据分析工具。”
京都大学信息学研究生院副教授Hideaki Shimazaki教授说：“除了为大型系统提供高级计算方法外，该框架统一了许多现有方法，我们可以进一步提高神经科学和机器学习。我们也很高兴。提供如此统一的观点，以表达科学进步的标志，作为这种激烈的国际合作的产物。”
Aguilera博士接下来将这些方法应用于模型上千的神经元斑马鱼在实验室中与虚拟现实设置进行互动，这是欧盟资助的二聚体项目的一部分，该项目旨在开发大规模行为的生成模型，并提供重要的见解，以了解行为如何来自生物体神经系统的动态互动，即神经系统的动态互动身体和环境。
进一步探索
