可求解神经环路模型揭示感知决策中非最优时间加权的动力学原理

来自国内外的研究人员针对感知决策中证据时间加权机制这一核心问题，开展了神经环路动力学研究。团队构建了可解析的秩-1（rank-1）神经电路模型，首次推导出描述证据权重分布的积分核（integration kernel）解析式，揭示了辅助空间动力学通过增益调控产生单调性（recency/primacy）与非单调性（convex/concave）加权模式的普适机制，并发现非最优加权网络经训练可收敛至最优状态。该研究为理解决策神经环路的拓扑相变（pitchfork bifurcation）提供了全新理论框架。

　　

在探索感知决策的神经机制时，科学家们发现证据累积过程存在神秘的时间加权现象。这项研究通过构建数学可解的秩-1（rank-1）神经环路模型，像解开DNA双螺旋般揭示了决策动力学的核心密码。研究团队首先推导出积分核（integration kernel）的精确数学表达式——这个关键指标如同"时空标尺"，能精准量化不同时刻感觉证据对最终决策的贡献权重。

令人惊叹的是，在决策变量正交的辅助空间里，隐藏的动力学过程通过增益调制（gain modulation）机制，像交响乐指挥般塑造着决策变量的流场。这种精巧调控产生了丰富多样的积分核类型：既有近因效应（recency）和首因效应（primacy）这样的单调模式，更涌现出凸型（convex）和凹型（concave）等非单调模式。通过构建动力学景观（dynamical landscape），研究者发现这些非单调加权模式竟对应着景观拓扑结构的相变过程，就像山脉在板块运动中发生的形态突变。

实验还观察到，即使从非最优加权的神经网络出发，经过训练后系统也会自发收敛到最优加权状态，这为神经可塑性提供了新证据。更有趣的是，秩-1连接特性会诱导对称竞争，产生类似三叉戟形态的干草叉分岔（pitchfork bifurcation）。这项突破性工作如同搭建了连通微观环路动力学与宏观决策行为的桥梁，为理解大脑如何"裁剪"时空信息提供了统一理论框架。