《Neurocomputing》：Inferring learning rules from simulated single-neuron spike trains using deep learning methods
编辑推荐：
突触可塑性（synaptic plasticity）是学习与适应的基础机制。精确确定突触如何被局部信号更新——即学习规则（learning rules）——是理解脑动力学的核心。尽管许多体外（in vitro）表征研究聚焦于有限的核心突触特性，但将这些候选学习
突触可塑性（synaptic plasticity）是学习与适应的基础机制。精确确定突触如何被局部信号更新——即学习规则（learning rules）——是理解脑动力学的核心。尽管许多体外（in vitro）表征研究聚焦于有限的核心突触特性，但将这些候选学习规则映射到行为动物中观察到的动态神经活动模式仍是一项重大挑战。该困难因目前无法获得将单神经元尖峰活动与特定可塑性机制相联系的体内（in vivo）真实基准（ground-truth）数据集而加剧。为克服这一限制，研究人员建立了一项概念验证，利用模拟脉冲神经网络（spiking neural networks, SNN）检验如下假设：潜在学习规则会在单个突触后神经元的时间活动特征中留下可检测特征。关键在于，通过显式地对单神经元尖峰活动进行推断，研究人员证明深度人工神经网络——特别是时序Transformer编码器（Temporal Transformer Encoders, TTE）与时序卷积网络（Temporal Convolutional Networks, TCNN）——能够成功分类学习规则，且显著高于随机水平。Transformer取得最高总体准确率，并且在引入背景噪声与模拟表征漂移（representational drift）后仍保持该性能。此外，特征分析显示，深度网络依赖复杂时间动态而非静态汇总统计量来区分不同学习机制。最后，尽管分类准确率对神经元特性的分布外（out-of-distribution, OOD）改变敏感，研究人员证明可通过扩展训练数据的参数多样性来缓解这一泛化差距。总体而言，该计算框架表明，不同学习规则会在单神经元尖峰活动中产生可识别的、具有时间结构的轨迹。
研究背景方面，突触可塑性（synaptic plasticity）是学习与适应的基础，明确局部信号如何更新突触即学习规则（learning rules），是理解脑动力学的核心。既有体外研究多聚焦有限的核心突触特性，而将候选学习规则对应到行为动物动态神经活动仍很困难；当前也无法获得将单神经元尖峰活动与特定可塑性机制相联系的体内（in vivo）真实基准（ground-truth）数据集。高通量记录技术虽扩展了观测规模，却牺牲了对学习规则重要的单神经元爆发发放等特征；现有Neuropixels探针与钙指示剂难以良好分离爆发与单尖峰，因而从单神经元尖峰序列推断学习规则具有必要性。研究人员据此建立概念验证：构建模拟脉冲神经网络（SNN），让尖峰序列经历不同学习规则，并检验深度网络能否仅凭单个突触后神经元的时间活动特征分类其学习规则。该研究得出，不同学习规则可在单神经元尖峰活动中产生可识别的时间结构轨迹，深度网络分类显著高于随机水平；同时指出完整学习轨迹对可靠识别很重要，生物合理规则较人工替代梯度规则更易区分，扩展训练参数多样性可缓解分布外（OOD）性能下降。其意义在于为未来从体内单神经元记录推断可塑性规则提供计算框架。
关键方法概述（不超过250字）：研究人员构建模拟SNN并记录响应性兴奋性神经元在多个可塑性步骤中的尖峰序列，拼接为学习轨迹；采用固定终点表征与任务导向两种协议；使用时序卷积网络（TCNN）、时序Transformer编码器（TTE）分类，并与支持向量机（SVM）及静态统计特征比较；在单层MNIST与三层EMNIST平衡数据集上验证，使用Burstprop与surrogate gradient方法及5种优化器生成10类亚型；进行爆发比例与背景噪声OOD测试及训练分布扩展；每条件50次独立试验，按80/20划分训练/测试集。数据为模拟生成，图像数据来源于MNIST与EMNIST。
研究结果如下。2.1 单神经元尖峰序列可解码学习规则：在固定终点表征协议下，研究人员令不同规则达到相同终点表征，记录STDP、BDP、BPTT1、BPTT2与负对照（NC）轨迹；尽管终点权重和发放率分布相似，分类器总体准确率显著高于随机水平0.20，TTE总体准确率最高，STDP与NC最易分类，BPTT1与BPTT2较难区分并拉低总体性能。2.2 功能背景中推断学习规则：在任务导向协议下，分类器总体准确率高于随机水平0.25，但总体表现受NC高准确分类影响；排除NC后分类仍保持稳健，BPTT1与BPTT2仍最难区分。2.3 解释TCNN分类器特征：TCNN使用固定高斯时间卷积核，全连接层权重显示不同规则依赖不同时间核；NC主要依赖最时间精确核，BDP依赖中间核宽并对精确核呈负贡献，STDP早期依赖精确核负贡献、后期依赖率计算核正贡献；与仅用平均发放率、爆发比例、峰间期等静态特征SVM相比，全轨迹分类显著更优，说明深度网络依赖复杂时间动态。2.4 脉冲多层感知机中的轨迹分离：在三层SNN与47类EMNIST任务中，Burstprop与surrogate gradient二分类表现良好，TTE略优；进一步区分5种优化器形成的10类亚型时，准确率仍高于随机水平0.1，TTE优于TCNN，surrogate gradient亚型间混淆更强。2.5 对模拟参数的依赖性：以爆发比例0.2训练、0.4测试，以及背景噪声扰动测试时，所有分类器总体准确率下降，主要源于BPTT1与BPTT2分类下降，但仍高于随机水平。2.6 增加训练数据多样性缓解OOD性能下降：以0.2与0.3爆发比例联合训练预测0.4，较仅用0.2训练显著提高准确率并缩小分布内与OOD差距；TTE在0.3与0.4训练预测0.2时泛化最佳，TCNN在0.2与0.4训练预测0.3时最佳，表明扩大参数多样性可增强泛化。
讨论部分总结：该研究验证了从单神经元尖峰轨迹推断生物可塑性规则的可行性，且这种可分性在多种网络架构与学习协议中保持稳健；即使存在模拟表征漂移与背景噪声，单层生物SNN预测仍显著高于随机。分析表明，深度学习架构利用神经反应中不同时间成分区分可塑性规则；但分类高度依赖观察完整学习轨迹，仅用前半段预测后半段时性能严重下降，说明可塑性时间特征动态分布在整个学习过程。研究还发现，生物合理规则（STDP、BDP）较BPTT变体更易区分，三层网络中Burstprop亚型也清晰可分；BPTT1与BPTT2混淆较强，原文指出这与surrogate gradient以连续函数近似不可微Heaviside阶跃函数、均质化误差信号有关。讨论承认模拟尖峰与真实体内记录存在差距，但认为现代深度架构具备处理复杂生物特征的计算能力；初始OOD敏感问题可通过扩展训练参数多样性缓解，符合机器学习中数据扩展提升泛化的观点。研究结论翻译：该研究验证了不同突触可塑性规则生成的单神经元尖峰轨迹高度可分；这种可分性由学习过程中动态分布的复杂时间特征驱动，而非依赖聚合静态统计量；该方法的稳健性与可扩展性在多种网络架构和任务数据集上得到验证；最后，尽管分类性能对模拟参数的分布外变化敏感，但可通过拓宽训练数据的参数多样性缓解，为更广泛应用中的稳健泛化提供了可行路径。
