【通俗理解】神经元网络的自组织临界性——从状态转换到临界行为的探索

【通俗理解】神经元网络的自组织临界性——从状态转换到临界行为的探索

参考文献：
Self-organized criticality occurs in non-conservative neuronal networks during ‘up’ states

神经元网络的自组织临界性的类比

• 你可以把神经元网络的自组织临界性比作一个“动态的沙堆”，在不断地添加沙粒（即刺激）的过程中，沙堆会自发地达到一个临界状态，此时再添加一粒沙就可能导致沙堆的崩塌（即神经元的集体放电）。
• 而神经元网络的两种状态（上和下）就像是沙堆在不断堆积和崩塌之间的循环，自组织临界性就是描述这种循环中的临界行为。

Analogies between self-organized criticality in neuronal networks and dynamic sandpile

• You can think of self-organized criticality in neuronal networks as a “dynamic sandpile,” where adding grains of sand (i.e., stimuli) continuously leads the pile to reach a critical state, at which adding one more grain can cause the pile to collapse (i.e., collective firing of neurons).
• The two states of neuronal networks (up and down) are like the cycles of accumulation and collapse in the sandpile, and self-organized criticality describes the critical behavior in these cycles.

自组织临界性与神经元网络交汇的核心作用

组件/步骤	描述
自组织临界性（SOC）	描述系统在没有外部调参的情况下自发达到临界状态的现象
神经元网络	由多个神经元通过突触连接而成的复杂网络，展现出丰富的动态行为
交汇点	SOC理论用于解释神经元网络中的集体放电行为，尤其是上状态（up state）的临界性

其基本关联可通过以下公式体现：

$$\frac{d{V}_i}{dt}=-\frac{V_i-V_{rest}}{\tau }+I_{syn,i}$$
$$\text{其中，}{V}_i\text{ 表示神经元 }i\text{ 的膜电位，}\tau \text{ 是时间常数，}{I}_{syn,i}\text{ 是突触输入电流}$$

当考虑网络的集体行为时，尤其是自组织临界性，我们可以关注网络的分支比和放电事件大小的分布。

项目	描述
膜电位	$V_i$，表示神经元 $i$ 的电势差
时间常数	$\tau$，表示膜电位回到静息状态的速度
突触输入电流	$I_{syn,i}$，表示来自其他神经元的输入电流

通俗解释与案例

1. 自组织临界性的交汇思想

   • 想象一下，你正在观察一个沙堆，不断地往沙堆上加沙粒，沙堆会自发地达到一个临界状态，此时再添加一粒沙就可能导致沙堆的崩塌。神经元网络中的自组织临界性就像是这种沙堆行为，不需要外部调节，网络会自发地达到一个临界状态，此时小的刺激就能引发大的集体放电。
   • 在这个例子中，神经元网络就像是沙堆，而自组织临界性则描述了这种网络在没有外部调参的情况下如何自发达到临界状态。

2. 自组织临界性的应用

   • 在神经科学中，自组织临界性用于解释大脑在休息、麻醉或体外状态下的集体放电行为。
   • 在计算神经科学中，自组织临界性理论被用于构建更加真实的神经元网络模型，以模拟大脑的动态行为。

3. 自组织临界性的优势

   • 通过揭示神经元网络中的自组织临界性，我们能够更好地理解大脑的动态行为和集体放电现象。
   • 自组织临界性理论为神经科学提供了新的视角和方法，有助于开发更加准确的神经元网络模型。

4. 自组织临界性与神经元网络的类比

   • 你可以把自组织临界性比作一个“动态的沙堆”，在不断地添加沙粒（即刺激）的过程中，沙堆会自发地达到一个临界状态，此时再添加一粒沙就可能导致沙堆的崩塌（即神经元的集体放电）。
   • 而神经元网络的两种状态（上和下），就像是沙堆在不断堆积和崩塌之间的循环，自组织临界性就是描述这种循环中的临界行为。

具体来说：

项目	描述
膜电位	$V_i$，就像是沙堆中的沙粒，不断地积累直到达到临界状态。
时间常数	$\tau$，就像是沙堆中沙粒堆积的速度，决定了沙堆达到临界状态的快慢。
突触输入电流	$I_{syn,i}$，就像是外部对沙堆的刺激，小的刺激在临界状态下能引发大的崩塌。

公式探索与推演运算

1. 基本公式：

   • $\frac{d{V}_i}{dt}=-\frac{V_i-V_{rest}}{\tau }+I_{syn,i}$：表示神经元 $i$ 的膜电位随时间的变化，由膜电位的自然衰减和突触输入电流共同决定。

2. 具体计算：

   • 假设在一个简单的神经元网络中，我们想要模拟网络的集体放电行为，并观察是否存在自组织临界性。
   • 我们可以通过数值模拟这个公式，观察网络在不同刺激下的放电行为，并计算放电事件的大小分布。

3. 与神经元网络的关系：

   • 在神经科学中，我们可以使用自组织临界性理论来解释大脑在休息、麻醉或体外状态下的集体放电行为。
   • 在计算神经科学中，我们可以使用自组织临界性理论来构建更加真实的神经元网络模型，以模拟大脑的动态行为，并研究不同参数对临界性的影响。

公式推导与相似公式比对

1. 公式推导：

   • 从基本的神经元膜电位方程出发，考虑膜电位的自然衰减和突触输入电流，可以推导出描述神经元动态行为的微分方程。
   • 当考虑网络的集体行为时，尤其是自组织临界性，我们需要进一步分析网络的分支比和放电事件大小的分布。

2. 相似公式比对：

   • $V_i=V_{rest}+R\cdot I_{syn,i}$：这是一个简化的神经元模型，只考虑了突触输入电流对膜电位的影响，忽略了膜电位的动态变化。
   • $\frac{d{V}_i}{dt}=-\frac{V_i-V_{rest}}{\tau }$：这是一个只考虑膜电位自然衰减的神经元模型，没有突触输入电流。
   • $\frac{d{V}_i}{dt}=-\frac{V_i-V_{rest}}{\tau }+I_{syn,i}$：这是一个完整的神经元模型，考虑了膜电位的自然衰减和突触输入电流的共同作用。

3. 使用上的差异：

   • 简化的神经元模型适用于描述突触输入电流对膜电位的直接影响，但忽略了膜电位的动态变化。
   • 只考虑膜电位自然衰减的模型适用于描述神经元在没有外部刺激下的自然放电行为。
   • 完整的神经元模型适用于描述神经元在外部刺激下的动态行为，尤其是自组织临界性。

关键词提炼

#自组织临界性
#神经元网络
#膜电位
#时间常数
#突触输入电流
#神经科学
#计算神经科学
#集体放电行为
#沙堆模型
#临界状态