振荡信号驱动的储备池计算模型通过反馈机制增强时间序列预测能力

推荐：本研究针对储备池计算(RC)在长时序预测中因网络失稳导致的精度下降问题，创新性地提出振荡驱动储备池计算(ODRC)模型。通过向储备池网络注入振荡信号，稳定网络活动并诱导复杂动力学，成功实现了对运动时序和混沌时间序列的长时程精准预测与泛化生成。该模型为神经振荡的生物学机制提供了计算依据，并为时序数据处理提供了高效算法框架。

　　

在脑科学和人工智能的交叉领域，时间序列预测始终是极具挑战性的课题。传统储备池计算(RC)虽然能以较少观察数据和有限计算资源建模大脑功能，但在长时程预测中常因网络活动失稳而失效。这一局限严重制约了其在运动时序学习、混沌系统预测等关键场景的应用。针对这一瓶颈，研究人员开展了一项突破性研究。

储备池计算作为类脑计算框架，其核心是随机连接的储备池网络产生复杂动力学，再通过线性读出生成目标序列。然而，当网络增益大于1时会产生轨道不稳定性，导致长期预测失败。更棘手的是，现有改进方法如reBASICS虽能复现学习序列，却无法泛化生成类似模式。这与人脑能从有限观察中抽象规则并创造新模式的卓越能力形成鲜明对比。

为攻克这一难题，研究人员提出振荡驱动储备池计算(ODRC)模型。该模型创新性地将振荡信号输入储备池网络，通过两种实现形式：正弦振荡器(sine ODRC)和神经振荡器(neural ODRC)。研究采用10Hz时间常数的发放率神经元构建储备池，接收多频段振荡输入和单脉冲起始信号，通过递归最小二乘法(RLS)在线训练读出权重。在运动时序任务中，模型需根据起始信号预测高斯脉冲；在混沌预测任务中，则需学习Lorenz、R?ssler和Kuramoto-Sivashinsky(KS)系统的动力学。

方法学亮点
研究采用双管齐下的技术路线：1) 构建含400-3000个神经元的储备池网络，输入10个不同频率的振荡信号；2) 开发基于100神经元小网络的神经振荡器。通过调节网络增益(g=1.0)和振荡输入增益(g_os=0.5)，结合反馈连接(g_fb=3)，使用时间步长1ms的欧拉法进行仿真。性能评估采用R²相关系数和Lyapunov谱分析等指标。

运动时序任务的突破
在5秒间隔的时序任务中，ODRC展现出惊人的稳定性。储备池活动在振荡输入调控下呈现低变异性，成功生成精确的高斯脉冲(图3)。参数分析揭示[0.1,1]Hz低频段对时序复现最有效，而20ms时间常数的神经振荡器性能媲美正弦振荡器(图6)。值得注意的是，模型在120秒超长间隔下仍保持R²>0.9的精度，显著优于传统RC和reBASICS(图3b)。噪声实验证实，即使输入噪声达I₀=10，模型仍保持80%以上性能(图7)，展现强大鲁棒性。

混沌预测的双重能力
在Lorenz系统预测中，ODRC展现出"复现-泛化"的双重优势。采用[10,25]Hz频段时，模型不仅在20秒任务期内精准复现吸引子(图9a)，在后续未训练时段仍能生成符合Lorenz特征的序列。三维相图(图9c)和返回映射(图9d)证实其保持了原始系统的拓扑结构。Lyapunov谱分析进一步验证生成序列的混沌特性与目标系统一致。值得注意的是，低频([0.1,1]Hz)利于精确复现，而高频([25,50]Hz)更有利于泛化，揭示振荡频率的功能分化。

生物学启示与创新价值
这项发表于《Neurocomputing》的研究具有多重意义：在理论上，首次阐明振荡输入通过抑制混沌边缘(edge of chaos)稳定储备池动力学；在方法学上，开创性地实现单模型兼具时序复现和泛化能力；在应用上，为小脑-海马环路中的theta振荡(3-7Hz)功能提供计算解释(图13)。研究证实，海马可能通过低频振荡维持小脑颗粒细胞网络活动，从而支持痕迹条件反射中的"刺激间隔"学习。

该模型的创新性还体现在：1) 揭示反馈连接对泛化能力的必要性，线性振荡叠加无法实现类似效果(图10)；2) 发现相位一致性对性能的关键影响，随机相位会使R²下降40%；3) 提出"稳定混沌"机制，解决复现与泛化的传统矛盾。这些发现为发展类脑时序处理算法和神经形态计算架构提供了新范式。

未来研究可沿多个方向拓展：将发放率模型升级为脉冲神经元，验证生物可塑性规则，以及探索多频振荡耦合对复杂时序编码的影响。这项研究架起了计算神经科学与人工智能的桥梁，为理解脑内振荡的功能意义和发展新型神经工程系统奠定了重要基础。