局部循环神经网络中预测性信号的学习机制及其在预测编码理论中的意义

来自某研究团队（未明确署名）的科学家通过构建脉冲神经网络模型，探究了局部突触可塑性规则如何驱动循环网络学习预测误差信号。该研究证实仅靠局部环路即可生成具有双相神经活动模式和情境依赖性的预测误差信号，为理解大脑构建环境内部模型的神经机制提供了新见解。

　　大脑如同一个精密的预测机器，持续通过自上而下的预测（top-down predictions）与自下而上的感觉输入（bottom-up sensory information）进行比对。预测编码理论（predictive coding hypothesis）认为，两者间的差异会触发预测误差信号（prediction error signals）。最新研究发现，这些信号竟能在缺乏高层反馈的局部循环回路（local recurrent circuit）中自发涌现！

研究者们构建了脉冲神经网络模型，采用局部突触可塑性规则（local plasticity rules）进行训练。令人振奋的是，该网络成功复现了实验观测到的关键特征：神经元呈现双相激活模式（biphasic neural activity），且信号强度会随环境背景（context dependency）动态调整。这些发现揭示了突触可塑性如何塑造预测误差信号，为理解大脑如何通过循环神经网络（recurrent neural network）构建并更新其内部环境模型（internal model）提供了重要线索。

这项研究突破性地证明：即使没有高层认知区域的指导，局部神经环路也能通过可塑性规则自主学习预测性信号。这为预测编码理论提供了微观层面的机制解释，对发展类脑智能算法和神经精神疾病（如精神分裂症涉及的预测功能障碍）研究具有双重启示。