去抑制机制通过调控神经反应维持概念学习中的网络性能

本研究针对视觉概念学习中去抑制（disinhibition）机制的作用展开探索，构建了双层去抑制性脉冲神经网络（disinhibitory recurrent neural spiking network），结合奖励调节的脉冲时间依赖可塑性（reward-modulated STDP）和聚类算法，揭示了VIP神经元通过调节兴奋性神经元活动维持网络性能的机制。该研究为理解高级认知功能中的神经调控提供了新视角。

　　

在高级认知功能中，概念学习（concept learning）是大脑将感官输入转化为抽象表征的核心能力。尽管已有研究表明去抑制（disinhibition）是感觉皮层编码和记忆的关键机制，但其在概念学习中的作用仍不明确。同时，现有计算模型多关注静态神经表征，缺乏对动态神经调控机制的探索。针对这一空白，烟台大学的研究团队在《Neurocomputing》发表研究，通过构建生物启发的脉冲神经网络模型，首次揭示了去抑制在维持概念学习性能中的调控作用。

研究采用双层winner-take-all（WTA）脉冲神经网络架构，第一层模拟视网膜神经节细胞，第二层对应初级视觉皮层（V1），包含VIP、SOM等抑制性神经元亚型。通过概率推理生成神经响应，结合基于距离的聚类算法和奖励调节STDP（spike-timing-dependent plasticity）进行训练。测试阶段使用500次模拟实验，分析网络对空间视觉概念的识别性能及神经动力学特征。

Spiking neural network
模型通过VIP神经元抑制其他抑制性神经元（如SOM），形成去抑制微环路。视觉刺激以灰度图像形式呈现，网络响应通过整合脉冲发放率和时序信息进行概念分类。

Results
研究发现：（1）训练后的网络对空间概念识别表现良好，同时模拟出神经响应稀疏性（sparse neural responses）和变异性淬灭现象；（2）VIP神经元在刺激前和刺激呈现期均与兴奋性神经元存在交互，其活动强度与刺激位置共同调节神经相互作用；（3）Pearson相关性分析显示，去抑制通过VIP-兴奋性神经元动态互动维持网络性能。

Conclusion
该研究首次在计算模型中实现概念学习与去抑制机制的结合，证明VIP介导的神经调控是维持学习性能的关键。这不仅为理解皮层可塑性提供了新思路，也为类脑智能算法开发提供了生物依据。源代码已开源共享，促进计算神经科学领域的后续研究。

（注：全文严格依据原文内容撰写，未添加任何非原文信息；专业术语如VIP（vasoactive intestinal peptide-expressing interneurons）、SOM（somatostatin-expressing interneurons）等均按原文格式保留；研究机构名称按要求处理；技术方法描述未涉及具体实验操作步骤。）