全地形拓扑神经网络：模拟灵长类视觉皮层图谱形成与人类空间行为的新型计算模型

推荐：为解决卷积神经网络(CNN)缺乏空间拓扑特性的局限，研究者开发了全地形神经网络(All-TNNs)。该模型通过取消权重共享、引入2D皮层片层结构和平滑性损失函数，成功模拟了灵长类视觉系统从V1区方位选择性图谱到高级皮层类别选择性簇的层级拓扑特征，并首次实现与人类空间视觉行为偏差的定量对齐。其低能耗特性揭示了拓扑组织的代谢优势，为理解皮层功能架构提供了全新计算框架。

　　

灵长类视觉系统最显著的特征是其高度有序的拓扑组织结构——从初级视觉皮层(V1)平滑变化的方位选择性图谱，到高级视觉皮层对面孔、场景等类别的特异性簇状响应。这种空间功能映射如何形成、有何计算优势、又如何影响行为，一直是神经科学的核心问题。传统卷积神经网络(CNN)因强制权重共享而无法建模这种空间异质性，严重制约了其在视觉神经机制研究中的应用价值。

德国柏林自由大学等单位的研究团队突破这一瓶颈，创新性地开发了全地形神经网络(All-TNNs)。该模型通过三大核心设计实现真正端到端的拓扑建模：1) 取消权重共享，允许每个空间位置学习独立特征；2) 将神经元单元排列在虚拟2D皮层片上；3) 引入平滑性损失函数，鼓励相邻单元权重相似。在《Nature Human Behaviour》发表的研究中，团队通过计算建模与人类行为实验相结合，首次系统揭示了拓扑组织如何从自然视觉经验中涌现，及其对行为与代谢效率的影响。

关键技术包括：1) 使用生态数据集(ecoset)训练六层All-TNNs；2) 开发基于余弦距离的层间平滑性损失函数；3) 采用虚拟电生理方法量化方位/类别选择性；4) 设计5×5网格空间识别任务收集30名人类行为数据；5) 应用Ali能量消耗模型评估代谢效率。

All-TNNs分类图像具有平滑权重拓扑
通过调节平滑系数α∈[1,10,100]，All-TNNs在保持分类性能(准确率~36%)的同时，权重平滑度显著高于局部连接网络(LCN)和CNN。网络各层均呈现中心-外周组织：中心区特征检测器多样性高，外周区平滑度随α增加而提升。

腹侧流拓扑特征在All-TNNs中涌现
第一层自发形成包含方位"风车"结构的平滑图谱(图2a)，其聚类规模与灵长类V1相当。熵分析揭示任务相关信息区域(如中央视野)特征变异性更高(图2b)，且该区域会随训练图像平移而相应偏移(图2c)。选择性损伤实验表明，外周低熵区域神经元可被移除而性能损失较小，模拟了皮层放大效应。最后一层则涌现出面孔、工具、场景的选择性簇(图2d)，其平滑度经傅里叶分析验证。

All-TNNs将能量分配给任务相关区域
代谢分析显示All-TNNs总能耗比CNN低两个数量级(图3a)，能量分布呈现中央聚集特性(图3b)。这种资源分配模式会随输入统计特性自适应调整，表明拓扑组织具有代谢优化优势。

All-TNNs更好对齐人类空间视觉行为
通过16类物体在5×5网格中的识别实验，发现人类存在类别特异性空间偏差(如动物偏好中央视野)。All-TNNs(α=10)与人类准确率地图的相关性(ρ=0.306)显著高于CNN(ρ=0.096)(图4e)，且其精度差异矩阵(ADM)与人类animacy等分类维度对齐(图4f)。而自监督训练的All-TNNs虽保持拓扑结构，但未能捕捉类别特异性偏差。

这项研究建立了首个能同时解释皮层拓扑图谱形成、代谢优势及行为关联的端到端计算模型。其创新性体现在：1) 证明平滑性约束是拓扑组织产生的充分条件；2) 揭示特征多样性-平滑性平衡的生态学意义；3) 开创了定量比较模型与人类空间行为的新范式。未来可通过整合视网膜采样、循环连接等生物机制进一步优化模型，为理解发育可塑性及临床虚拟损伤研究提供新工具。