综述:神经科学中的确定性、随机性和平均场偏微分方程模型
《Frontiers in Computational Neuroscience》:Deterministic, stochastic, and mean-field PDE models in neuroscience
【字体:
大
中
小
】
时间:2026年04月20日
来源:Frontiers in Computational Neuroscience 2.3
编辑推荐:
摘要
大型神经元网络在多个尺度上展现出复杂的动态特性,从单个神经元的兴奋性和脉冲列的变异性到介观尺度的节律以及整个大脑的活动。为了理解这些现象,人们开发了不同类型的微分方程模型,将这些模型中的确定性描述、随机性描述和平均场描述联系起来。在确定性层面上,常微分方程(ODE)模型
摘要
大型神经元网络在多个尺度上展现出复杂的动态特性,从单个神经元的兴奋性和脉冲列的变异性到介观尺度的节律以及整个大脑的活动。为了理解这些现象,人们开发了不同类型的微分方程模型,将这些模型中的确定性描述、随机性描述和平均场描述联系起来。在确定性层面上,常微分方程(ODE)模型,包括基于电导的神经元模型、神经质量系统和整个大脑网络,通过一组简化的宏观变量来概括神经行为。在群体层面上,平均场偏微分方程(PDE)模型,如Fokker-Planck方程、年龄结构模型、动力学模型和神经场方程,描述了概率或群体密度随膜电位、突触状态和其他动力学变量的演变。这些PDE模型将单个神经元的机制与群体层面的活动联系起来,使得人们能够分析分岔、振荡和其他集体模式。随机微分方程(SDE)模型及其扩展模型(包括跳跃扩散过程和随机PDE(SPDE)被广泛用于描述随机的膜波动、不规则的脉冲列、突触可塑性和神经活动的大尺度变异性。这些随机模型也被应用于神经数据分析,例如量化电生理记录中的噪声并推断潜在的神经动态。由于变异性和噪声在神经系统中至关重要,我们花了更多篇幅讨论随机模型,但始终将它们与周围的ODE和PDE框架联系起来。这种ODE、PDE和SDE-SPDE模型的层次结构表明,基于微分方程的方法在神经科学中提供了统一的工具,可用于多尺度建模、神经信号处理、认知建模以及噪声神经系统的分析。我们还讨论了一些已知的数值和计算方法,特别是针对随机模型的方法,并总结了开放的挑战,例如多尺度推断、以控制为导向的公式化以及将微分方程模型与现代机器学习方法的整合。
1 引言
大型神经元网络表现出集体行为,包括异步不规则的脉冲放电、连贯的振荡和空间结构化的活动模式。用于解释这些现象的理论框架主要基于微分方程,可以根据不同的尺度分为三大类:确定性常微分方程(ODE)模型、基于随机过程的描述以及在大网络极限下出现的平均场偏微分方程(PDE)模型(Breakspear, 2017; Brunel, 2000; Carrillo and Roux, 2025; Gerstner et al., 2014)。我们的目标是展示这三者如何融合成一个多尺度的数学框架,将单个神经元的动态与整个大脑的活动联系起来。在单个神经元和神经群体的层面上,ODE模型构成了计算神经科学的经典基础(Dayan and Abbott, 2001; Gerstner et al., 2014)。基于电导的Hodgkin-Huxley类型模型描述了膜电位的演变以及表征离子通道动力学的门控变量,而FitzHugh-Nagumo模型和Morris-Lecar模型等简化系统则能在低维设置中捕捉到兴奋性和放电模式的关键特征,使它们适合于相平面分析和分岔分析(FitzHugh, 1961; Hodgkin and Huxley, 1990; Morris and Lecar, 1981; Nagumo et al., 1962)。在群体层面上,Wilson-Cowan类型的神经质量模型及其扩展模型描述了兴奋性和抑制性群体之间的相互作用、多稳态以及用少数宏观变量(如放电率或平均膜电位)表示的大规模振荡(Breakspear, 2017; Jansen and Rit, 1995; Wilson and Cowan, 1972)。有关计算神经科学中平均场和神经质量方法的更广泛回顾,请参见(Carrillo and Roux 2025; Deco et al. 2008)。从应用数学的角度出发的补充教科书性介绍,包括延迟和随机性,请参见(Coombes and Wedgwood 2023)。然而,这种确定性框架经常被扩展以明确考虑脉冲生成的随机性、突触噪声和网络异质性(Laing and Lord, 2009; Schwalger et al., 2017; Wallace et al., 2011)。这激发了第二层建模的需求,其中基于ODE的动力学被推广为随机过程。噪声积分-放电方程、随机基于电导的模型、随机脉冲时间模型、Hawkes类型的点过程以及突触和神经元状态的马尔可夫描述允许人们将内在波动(如离子通道的电导波动)和外在随机性(例如,来自其他细胞的突触活动)作为确定性模型的自然扩展(Brunel, 2000; Carrillo and Roux, 2025; Daley and Vere-Jones, 2003; Gerstner and Kistler, 2002; Hawkes, 1971; Wallace et al., 2011)。随机微分方程(SDE)模型及其包括延迟方程和跳跃扩散过程的扩展提供了灵活性框架,用于连续时间下模拟单个神经元和网络动态,同时桥接了确定性漂移函数和随机扰动。它们已被用于描述脉冲列和膜电位波动、模拟突触可塑性和学习,以及捕捉脑电图(EEG)及相关电生理记录中的大规模神经变异性(Ghorbanian et al., 2013; Tajmirriahi and Amini, 2021)。最近,基于SDE的模型与机器学习工具和实验数据的结合有助于我们理解神经振荡、决策制定和学习(ElGazzar and van Gerven, 2024; Holmes et al., 2005; René et al., 2020)。同时,这些方法在参数估计、模型选择以及从生物学角度解释拟合的SDE方面也带来了挑战(René et al., 2020)。这样的随机框架在单个神经元或小网络的层面上提供了微观描述,同时也为推导描述非常大网络行为的平均场PDE模型提供了一个自然的起点。第三层包括平均场PDE模型,它们不跟踪单个神经元,而是跟踪群体密度在适当的状态变量上的演变(Cáceres et al., 2011; Laing and Lord, 2009)。抛物线型的Fokker-Planck方程,如网络噪声泄漏积分-放电(NNLIF)模型(有时称为非线性噪声泄漏积分-放电模型),描述了在突触输入和噪声作用下的膜电位分布的演变,并已被用于研究诸如爆炸、同步和循环网络中稳态的稳定性等现象(Cáceres et al., 2011; Cáceres and Perthame, 2014)。双曲年龄结构方程或时间流逝结构方程根据最后一次脉冲以来的时间组织群体,并为分析不应期、适应性和延迟效应提供了自然框架(Kang et al., 2015; Pakdaman et al., 2013, 2014; Schwalger and Chizhov, 2015; Schwalger and Lindner, 2015)。这些年龄或时间流逝结构方程在计算神经科学文献中也被称为不应期密度方程(Aviel and Gerstner, 2006; Chizhov and Graham, 2007, 2008; Gerstner, 2000, 2001; Schwalger and Chizhov, 2019)。电压-电导或FitzHugh-Nagumo类型的动力学Fokker-Planck系统保留了额外的变量,如突触电导或恢复变量,产生了保留重要生物物理细节的介观模型(Mischler et al., 2016; Perthame and Salort, 2013)。随机偏微分方程(SPDE),特别是神经场PDE和空间扩展公式,在研究皮层波、模式形成、大脑动态的空间方面以及时间流逝PDE的随机版本方面发挥着核心作用(Carrillo et al., 2023, 2024; Schmutz et al., 2023; Schwalger et al., 2017)。人们还可以参考(Laing and Lord 2009)的第11-12章,了解它们的数值解。本综述的目的是将这些三个建模层次不是作为独立的主题来介绍,而是作为一个连贯的链条来呈现,从单个神经元的确定性ODE模型,通过脉冲生成和突触变异性的随机描述,到用于大型相互作用群体的平均场PDE模型。由于随机层提供了微观神经变异性与平均场PDE描述之间的关键桥梁,因此随机材料的阐述比确定性ODE和PDE部分更为详细。本文的其余部分组织如下:第2节简要概述了确定性ODE模型,总结了单个神经元、神经质量和整个大脑动力系统的基本结构。第3节介绍了SDE的简要理论背景和一些数值解决方法,以及随机模型,包括基于SDE的神经元和网络描述、点过程和更新模型以及马尔可夫突触状态模型。第4节介绍了从微观随机网络模型推导平均场PDE的主要原理。我们还讨论了Fokker-Planck方程、年龄结构模型、动力学模型和神经场方程,结合了建模方面、数学理论和代表性数值结果。最后,第5节强调了与多尺度建模、数据同化、控制以及这些机械模型与现代机器学习方法之间的相互作用相关的开放问题和未来研究方向。
2 神经科学中的确定性ODE模型:简要概述
本节回顾了塑造理论和计算神经科学的主要确定性ODE模型类别。目标不是提供详尽的历史调查,而是展示在不同尺度上出现的动态类型,并突出那些将在随机和基于PDE的公式中重现的结构特征。
2.1 理论背景
确定性神经元模型自然地被表述为有限维的动力系统。给定一个状态向量x(t) ∈ ?n(例如,膜电位以及门控或恢复变量),一个一般的ODE表示为?(t)=F(x(t),其中F:?n×? → ?n是一个向量场。在许多神经科学应用中,F是自治的,即F(x, t) = F(x),因此动态完全由当前状态决定。在F的标准正则性假设下(例如,局部Lipschitz连续性),初始值问题x(0) = x0在某个时间区间内定义了一个唯一的解,从而在状态空间上定义了一个流Φt(x0)(Ermentrout and Terman, 2010; Izhikevich, 2007)。一个平衡点(或固定点)是这样的状态x*,使得F(x*) = 0。在x*附近线性化动态得到?(t)=J(x?)y(t),其中J(x*)是F在x*处的雅可比矩阵。J(x*)的特征值决定了非线性系统的局部行为:如果所有特征值的实部都严格为负,则x*是(渐近)稳定的;如果至少有一个特征值的实部为正,则它是不稳定的。在低维度中,相平面分析提供了轨迹的几何图像,允许人们对兴奋性和振荡状态进行分类,并便于在参数变化时构建分岔图(Ermentrout and Terman, 2010; Izhikevich, 2007)。这些工具将在我们讨论基于电导的简化单个神经元模型时隐式使用。除了固定点之外,神经元ODE还可以表现出极限环(周期性轨道)、混合模式振荡、爆发等更复杂的吸引子。这些行为通常通过局部或全局分岔( Hopf分岔、鞍点分岔、同宿分岔等)产生,在这些分岔中,当施加的电流或突触强度等参数穿过临界值时,长时间动态会发生定性和 quantitative 的变化。在群体和整个大脑尺度上,这些分岔导致了诸如静息状态与活跃状态之间的多稳态,或者从异步活动到节律性振荡的转变等现象。在许多神经模型中,有限传输和处理速度引入了明确的延迟。延迟微分方程(DDE)通过允许向量场依赖于过去的状态来扩展一般ODE,即?(t)=F(x(t),x(t?τ1),?,x(t?τm)),例如表示突触或轴突传导延迟。这样的系统自然出现在具有长距离连接的神经质量和整个大脑模型中,并且可以支持丰富的动态,包括延迟引起的振荡和复杂的瞬态行为。然而,在本综述中,我们不详细讨论DDE,而是专注于没有明确延迟的ODE模型及其随机扩展和相应的平均场PDE极限。
2.2 基于电导的单个神经元模型
在单个神经元层面,确定性模型描述了膜电位以及代表离子通道动力学的辅助变量。经典的例子是Hodgkin-Huxley形式主义,其中膜电位V(t)满足以下形式的电流平衡方程:
C.V(t)=?∑kIk(V(t),x(t))+Isyn(t)+Iext(t),
C.V(t)=-∑kIk(V(t),x(t))+Isyn(t)+Iext(t),
每个离子电流通常表示为Ik(V,x)=?kmpkkhqkk(V?Ek),其中?k是最大电导,Ek是反转电位,mk和hk是代表通道类型k的开放激活和失活门的比例的门控变量。这些门控变量满足以下形式的一阶动力学:
?k=αk(V)(1?mk(?βk(V)),
mk=mk,∞(V)?mkτk(V),
?k=αk(V)(1-mk(-βk(V)),
对于hk也有类似的表达式。向量x(t)收集了所有这些门控变量。方程1和门控方程共同定义了一个非线性ODE系统,在该系统中动作电位作为出现的瞬变或振荡而产生。
基于电导的模型可以扩展以包括额外的离子通道、钙和其他细胞内变量、树突隔室以及详细的突触机制。从动力系统的角度来看,它们是相对高维的非线性ODE系统,在参数变化下可以表现出多种动态行为(Ermentrout and Terman, 2010; Izhikevich, 2007)。这些特征将以聚合的形式重新出现在群体层面。除了再现动作电位之外,基于电导的模型还被用来系统地分类不同类型的神经元兴奋性和放电模式。通过改变最大电导、反转电位或时间常数,可以诱导从静息状态、持续性放电到爆发性放电以及由潜在常微分方程(ODE)系统中的局部和全局分岔产生的混合模式振荡之间的转换(Ermentrout和Terman,2010;Izhikevich,2007)。这使得神经元能够被稳健地分类为例如I型和II型兴奋性,这直接影响了它们在网络中的同步方式。I型神经元可以在输入电流刚刚超过阈值时开始放电(如在不变圆分岔的鞍点处),而II型神经元则在通过霍普夫分岔后以一个有限的、非零的最小频率开始放电,这些差异直接影响了它们在网络中的同步方式。基于电导的模型还作为参数估计和模型简化技术的试验场,将详细的离子机制与可以嵌入到群体和全脑模型中的简化描述联系起来。
2.3 简化的单神经元模型
为了获得更简单但动态上更真实的描述,简化的单神经元模型通常通过它们的稳态值来近似快速门控变量,并将较慢的变量合并为一个恢复变量,从而形成如下形式的平面系统:
V = F(V) - w + Iext, ? = G(V, w)
其中V表示膜电位,w是一个恢复变量,F和G是非线性函数。FitzHugh-Nagumo模型(FitzHugh,1961;Nagumo等人,1962)和Morris-Lecar模型(Morris和Lecar,1981)是典型的例子。它们的低维度特性使它们非常适合进行相平面分析:人们可以通过分岔图来表征兴奋性类型、识别稳定和不稳定流形,并跟踪放电模式的定性变化(Ermentrout和Terman,2010;Izhikevich,2007)。经典的神经兴奋性和爆发性动力学系统分析,特别是Rinzel及其同事开发的相平面和快慢几何方法,为这样的简化模型提供了重要的数学基础(Rinzel和Huguet,2013;Rinzel和Lee,1987)。
另一个重要的模型家族是整合-放电模型。在其最简单的形式中,V(t)的亚阈值动态遵循如下线性常微分方程:
V(t) = -1/τm(V(t) - Vrest) + 1/CIsyn(t)
其中τm是膜时间常数,Vrest是静息电位。当V(t)达到一个固定的阈值Vth时,就会发生放电,电位会立即重置为Vreset(通常伴随着一个不应期)。从数学上讲,这些是结合了连续常微分方程流和离散事件的混合动力学系统(Gerstner和Kistler,2002)。在后面的章节中,方程2的噪声和网络化版本将作为推导描述膜电位演变或自上次放电以来时间密度的Fokker-Planck和年龄结构偏微分方程(PDE)模型的起点。
简化的神经元模型经常被用作网络研究中的构建块,在这些研究中分析的可行性至关重要。在晶格、随机图或小世界网络上耦合的平面FitzHugh-Nagumo或Morris-Lecar单元已被用来研究局部兴奋性如何与连通性相互作用以产生波动、同步和集群状态。对于整合-放电群体,它们的简单性允许进行大规模模拟,以探索复发结构、异质性和突触延迟如何塑造诸如异步不规则活动、振荡及相关集体现象等 Emergent 现象(Augustin等人,2017;Brunel,2000;Gerstner等人,2014)。极限环振荡器的相位简化提供了另一种视角,在这种视角中,每个神经元被简化为一个相位变量,通过相位响应曲线来编码耦合;这将神经元建模与更广泛的耦合振荡器和Kuramoto型系统理论联系起来(Breakspear等人,2010)。
2.4 基于神经质量和速率的常微分方程(ODE)模型
在介观层面上,通常将许多神经元的活动汇总为同质群体,并用宏观变量(如平均放电率、平均膜电位或突触活动)来描述它们的动态(Dayan和Abbott,2001;Deco等人,2008;Gerstner等人,2014;Montbrió等人,2015)。这导致了基于神经质量和速率的模型的出现。
一个典型的例子是Wilson-Cowan系统,用于描述相互作用的总兴奋性和抑制性群体(Wilson和Cowan,1972)。设E(t)和I(t)分别表示兴奋性和抑制性群体的活动(例如放电率)。它们的演化由以下方程给出:
τE?(t) = -E(t) + ?E(w)E(t) - wE, τI?(t) = -I(t) + ?I(w)E(t) - wI(t)
其中τE、τI是时间常数,wab是群体间的耦合强度,IE、II是外部输入,?E、?I通常是S型增益函数。这个模型及其相关的基于速率的系统已被广泛用于研究皮层电路中振荡的出现、多稳态和模式形成(Ermentrout和Terman,2010;Izhikevich,2007;Wallace等人,2011;Wilson和Cowan,1972)。
更复杂的神经质量公式,如Jansen-Rit模型及其衍生物,引入了额外的状态变量来表示突触后电位和突触电流(Jansen和Rit,1995)。然后每个群体由一组具有生物学依据参数的耦合ODE来描述。
介观群体建模中的一个值得注意的最新发展是出现了精确的平均场或下一代神经质量描述,用于异质性尖峰网络(Coombes,2023;Coombes和Wedgwood,2023)。在二次整合-放电/θ-神经元设置中,这些简化将微观尖峰动态与闭合的宏观方程联系起来,用于量化放电率、平均膜电位等量,并通过Kuramoto/Ott-Antonsen类型描述来描述群体同步(Devalle等人,2017;Luke等人,2013;Montbrió等人,2015;Ott和Antonsen,2008)。这在概念上很重要,因为放电率不再被视为纯粹的现象学变量,而是与群体内的同步动态联系起来。这个框架的扩展也被用来描述稀疏平衡网络中的波动驱动的群体动态和突触射击噪声(Goldobin等人,2025,2021)。
基于神经质量和速率的模型通常直接根据介观记录(例如EEG、MEG或局部场电位)进行拟合,以推断有效的连通性并解释病理节律,从而将微观机制与实验观察到的动态联系起来(Breakspear,2017;Jansen和Rit,1995)。它们还被用来模拟认知操作,如工作记忆、注意力、决策制定和胜者通吃动态,通过利用多稳态和非线性增益函数;更基于生物学的循环电路公式在工作记忆和相关认知功能的研究中特别有影响力(Brunel和Wang,2001;Compte等人,2000)。在这个意义上,基于神经质量的模型在微观尖峰描述和宏观成像数据之间占据了中心位置:它们结合了生物物理学上可解释的参数,同时保持了足够的低维度,以便进行系统的分岔分析和参数探索(Augustin等人,2017;Breakspear,2017;Deco等人,2008;Greven等人,2026)。
2.5 全脑ODE网络
在宏观的全脑尺度上,通常将许多神经元的研究活动汇总为同质群体,并用平均放电率、平均膜电位或突触活动等宏观变量来描述它们的动态(Dayan和Abbott,2001;Deco等人,2008;Gerstner等人,2014;Montbrió等人,2015)。这导致了基于神经质量和速率的模型的出现。
一个典型的例子是Wilson-Cowan系统,用于描述相互作用的总兴奋性和抑制性群体(Wilson和Cowan,1972)。设E(t)和I(t)分别表示兴奋性和抑制性群体的活动(例如放电率)。它们的演化由以下方程给出:
τE?(t) = -E(t) + ?E(w)E(t) - wE, τI?(t) = -I(t) + ?I(w)E(t) - wI(t)
其中τE、τI是时间常数,wab是群体间的耦合强度,IE、II是外部输入,?E、?I通常是S型增益函数。这个模型及其相关的基于速率的系统已被广泛用于研究皮层电路中振荡的出现、多稳态和模式形成(Ermentrout和Terman,2010;Izhikevich,2007;Wallace等人,2011;Wilson和Cowan,1972)。
更复杂的神经质量公式,如Jansen-Rit模型及其衍生物,引入了额外的状态变量来表示突触后电位和突触电流(Jansen和Rit,1995)。然后每个群体由一组具有生物学依据参数的耦合ODE来描述。
介观群体建模中的一个值得注意的最新发展是出现了精确的平均场或下一代神经质量描述,用于异质性尖峰网络(Coombes,2023;Coombes和Wedgwood,2023)。在二次整合-放电/θ-神经元设置中,这些简化将微观尖峰动态与闭合的宏观方程联系起来,用于量化放电率、平均膜电位等量,并通过Kuramoto/Ott-Antonsen类型描述来描述群体同步(Devalle等人,2017;Luke等人,2013;Montbrió等人,2015;Ott和Antonsen,2008)。这在概念上很重要,因为放电率不再被视为纯粹的现象学变量,而是与群体内的同步动态动态联系起来。这个框架的扩展也被用来描述稀疏平衡网络中的波动驱动的群体动态和突触射击噪声(Goldobin等人,2025,2021)。
基于神经质量和速率的模型通常直接根据介观记录(例如EEG、MEG或局部场电位)进行拟合,以推断有效的连通性并解释病理节律,从而将微观机制与实验观察到的动态联系起来(Breakspear,2017;Jansen和Rit,1995)。它们也被用来通过利用多稳态和非线性增益函数来模拟认知操作,如工作记忆、注意力和决策制定;更基于生物学的循环电路公式在工作记忆和相关认知功能的研究中特别有影响力(Brunel和Wang,2001;Compte等人,2000)。在这个意义上,基于神经质量的模型在微观尖峰描述和宏观成像数据之间占据了中心位置:它们结合了生物物理学上可解释的参数,同时保持了足够的低维度,以便进行系统的分岔分析和参数探索(Augustin等人,2017;Breakspear,2017;Deco等人,2008;Greven等人,2026)。
2.5 全脑ODE网络
在宏观的全脑尺度上,基于神经质量的或平均场的ODE模型通常被分配到解剖学上定义的大脑区域,并通过从扩散加权MRI或纤维追踪数据得出的结构连通性矩阵进行耦合(Breakspear,2017;Ritter等人,2013)。用Xi(t)表示与区域i相关的状态向量(例如,局部放电率、平均膜电位和突触变量),可以得到如下形式的高维ODE网络:
?i(t) = F(Xi(t)) + ∑jKijG(Xj(t - dij)) + Ii(t)
其中F封装了局部神经质量动态,Kij是从区域j到区域i的结构连通性,dij是有效传输延迟,Ii(t)表示外部或类似噪声的输入。根据所选的局部模型和耦合方式,方程3可以再现关键的静息状态特征、亚稳态模式之间的转换以及类似癫痫发作的病理状态(Breakspear,2017;Deco等人,2011;Naze等人,2015)。
从数学角度来看,方程3定义了一个大型耦合非线性ODE系统,有时带有时延。感兴趣的问题包括固定点和极限环的存在性和稳定性、多稳态状态的可能性、同步和部分同步的条件,以及网络拓扑和延迟对新兴动态的影响(Breakspear,2017)。
全脑模型通常受限于从扩散MRI或纤维追踪数据获得的结构连通性矩阵,其参数被调整以再现功能连通性、功率谱或静息状态网络等经验测量(Breakspear,2017;Deco等人,2011)。分岔分析和数值延续被用来识别支持现实多稳态水平和动态切换网络配置的参数状态,并将耦合强度、传导延迟或区域兴奋性的变化与健康和病理状态之间的转换联系起来,包括类似癫痫发作的动态。因此,这些模型在结构连通性、动态系统理论和临床神经成像之间提供了桥梁,并且是后续讨论的控制和数据同化方法的自然候选者。
2.6 数值探索和分岔分析
迄今为止回顾的确定性ODE模型通常与数值模拟和分岔工具结合进行分析。对于单神经元模型,直接的时间步进方案(如前向或自适应Runge-Kutta方法)允许人们可视化轨迹、放电模式和对时间依赖输入的响应。在简化的FitzHugh-Nagumo或Morris-Lecar类型的平面系统中,带有零线、向量场和轨迹的相平面图提供了兴奋性和尖峰生成的几何图像。它们还提供了一种自然的方式来识别同宿轨道、极限环和不同动态状态之间的分界线(Ermentrout和Terman,2010;Izhikevich,2007)。
在更高维度的基于电导的模型中,数值延续软件(如XPPAUT、AUTO或MatCont)通常用于跟踪参数变化时的平衡态和极限环,定位霍普夫、鞍点或同宿分岔,并在一参数或两参数平面中构建分岔图。这些方法对于分类Hodgkin-Huxley类型系统中的兴奋性和爆发机制非常重要。
在群体和全脑尺度上,类似的工具被应用于基于神经质量和大规模网络模型。Wilson-Cowan和Jansen-Rit系统及其全脑泛化通常通过结合耦合ODE的直接数值积分和稳态及周期轨道的延续来探索。这允许人们绘制多稳态区域,识别由分岔引起的异步和节律状态之间的转换,并将参数变化(例如,耦合强度或外部输入)与实验观察到的静息状态、振荡和类似癫痫发作活动之间的转换联系起来(Breakspear,2017;Jansen和Rit,1995)。在这个意义上,数值分岔分析在上述抽象的动态系统框架和现实生物物理和全脑模型的现象学之间形成了桥梁。
3 神经活动的随机模型
神经系统在这样一个环境中运作:信息处理受到神经元电生理特性及其分岔动态(Ermentrout和Terman,2010;Izhikevich,2007;Wallace等人,2011)以及内在细胞机制和外部输入的变异性和噪声的影响(Dumont等人,2024;Fasoli,2013;Laing和Lord,2009;Pisarchik和Hramov,2023;Saarinen等人,2008)。尽管确定性模型为神经动态的生物物理和网络层面原理提供了有价值的洞察,但它们往往无法捕捉到真实神经数据中观察到的随机性。随机模型提供了一个方便的框架,用于整合这些随机性来源,以模拟膜电位的波动、概率性尖峰生成、突触传输的变异性、噪声性极限环和大规模网络的不规则性。正如在许多其他科学和工程应用中一样,将随机性整合到确定性模型中的最简单方法是向确定性动态系统中添加高斯(或类似的)白噪声过程,具有适当的强度或标准差。对于具有自相关函数的更复杂模型,通常会启发式地将“有色噪声”或其他变体纳入这些模型中(Chizhov和Graham,2007,2008;Laing和Lord,2009;Mao,2011;Oksendal,2013;Schwalger和Lindner,2015)。神经变异性的微观起源和介观/宏观表现可以通过基于随机微分方程(SDE)及其跳跃扩散、延迟和SPDE版本的概率模型更严格地描述(Cáceres等人,2011;Carrillo等人,2023,2024;Dumont等人,2024;Pietras等人,2020;Schmutz等人,2023)。在本节中,首先简要介绍了SDE的常用数值解方法的背景和回顾。然后,讨论了几种神经科学中的随机模型,通过强调随机性在神经计算、群体动态和参数估计发展中的重要性,来解释噪声实验记录的含义。
3.1 理论背景
在本小节中,我们介绍了一些SDE的定义、符号和已知结果。我们假设读者熟悉随机变量的概率分布、条件概率、协方差/方差和概率空间。随机过程{Xt:t ∈ T}是在给定概率空间中的一系列随机变量,其中每个Xt代表时间t时系统的状态。马尔可夫性质:如果对于任何时间t0 ≥ 0和任何n维状态空间S,过程在将来时间t ≥ t0的条件概率分布仅依赖于时间tn的状态,而不依赖于该时间之前的历史,则称随机过程Xt满足马尔可夫性质(或者它是一个马尔可夫过程)。形式上,马尔可夫性质定义为:对于任何可测子集A ? S和t0 < t1 < ... < tn < t,有P(Xt∈A|Xt0=x0,Xt1=x1,...,Xtn=xn)=P(Xt∈A|Xtn=xn)。这里Xt0, Xt1, ..., Xtn是过程直到时间tn的过去状态,而Xt是未来时间t > tn时过程的状态。
维纳过程(也称为布朗运动)是一个马尔可夫随机过程{Wt = W(t), t ≥ 0},它满足以下条件:W(0) = 0且W(t) ? W(s) ~ N(0, t ? s),这意味着增量是均值为0和方差为t ? s的高斯过程。特别地,对于所有t>0,有W(t) ~ N(0, t)。对于任何时间序列0 ≤ t1 ≤ t2 ≤... ≤ tn,增量W(t2) ? W(t1), W(t3) ? W(t2), ..., W(tn) ? W(tn ? 1)是独立随机变量,这意味着未来的增量与之前的增量无关。过程{W(t)}具有概率为1的连续路径。
随机微分方程(SDE)是常微分方程(ODE)的更一般形式,它涉及随机过程以考虑动态变量Xt中的随机性。这里我们关注的是伊藤型SDE,它是马尔可夫形式的:dXt=f(t,Xt)dt+g(t,Xt)dWt。方程4通常写成积分形式,以提供更严格的概率表示。此外,它的向量形式可用于更高维的状态变量和多种噪声源(基于多维布朗运动过程)。在这种情况下,漂移项也是一个向量函数,扩散项是一个适当大小的矩阵函数。然而,这样的标量或向量SDE可能无法直接捕捉突然或不连续的变化/脉冲。然后,可以通过在方程4中添加跳跃项来模拟随机过程的不连续行为(Platen和Bruti-Liberati,2010)。这些广义过程被称为跳跃-扩散过程。第3.3节中给出了一些例子和应用。
注:注意,可以使用具有适当确定性强度σ(t)的白噪声过程的ODE的扰动版本(例如,第2节中介绍的例子)来描述为具有形式为σ(t)dWt的附加“噪声”或扩散项的伊藤型SDE。然后,相应的随机积分∫t0σ(s) dWs是一个均值为零和方差为∫t0σ2(s)ds的高斯过程。伊藤型SDE及其可微函数的微分规则由伊藤随机微积分控制,更具体地说,由变量变换公式控制(Kloeden和Platen,1992;Mao,2011;Oksendal,2013)。此外,如果在分析中考虑跳跃-扩散模型,这些方法的跳跃自适应近似版本及其应用将发挥重要作用(参见?zgi,2015,第4章,Platen和Bruti-Liberati,2010及其参考文献)。
3.2 随机微分方程的数值解决方法
尽管线和某些特殊的非线性SDE有显式解,但大多数非线性SDE是使用适当的数值方法解决的,这些方法包括Euler-Maruyama方法及其几个变体,以及Milstein型方法和其他泛化方法,如Runge-Kutta版本。下面介绍一些在神经科学模型中使用的常见方法(或有潜力改进神经科学模型)。
Euler-Maruyama方法(Kloeden和Platen,1992;Laing和Lord,2009):Euler-Maruyama(E-M)方法通过离散时间步长近似SDE的解。它类似于用于数值求解ODE的Euler方法,但这个版本还包括一个随机成分。如果X(t) = Xt解决了形式为dXt=f(t,Xt)dt+g(t,Xt)dWt的SDE,在区间[0, T]上,我们考虑[0, T]的一个划分,0 = t0在文献中,将随机性纳入神经模型通常涉及布朗运动(来自白噪声)、Ornstein-Uhlenbeck过程或Langevin方程(来自有色噪声)、泊松过程(来自输入的跳跃和到达时间)、Boltzmann机器(用于二元神经元模型)以及具有适当转移概率和离散状态的马尔可夫链模型等(Burkitt, 2001; Dayan和Abbott, 2001; Fasoli, 2013; Greven等人, 2026; Pietras等人, 2020; Schwalger等人, 2017; Wallace等人, 2011; Wegman和Habib, 1992; Yasue等人, 1988)。然而,本综述的重点主要基于Itō型随机微分方程(SDEs)、泊松过程和跳跃扩散模型。为了模拟通过神经连接相互作用的N个神经元的相对膜电位X(t)的动力学,Yasue等人(1988)引入了一个N维维纳过程W(t)和以下形式的向量SDE:dX(t)=A(t)dt+√vdW(t),dX(t)=A(t)dt+vdW(t)。在这个模型中,每个分量xi(t)都有一个漂移项Ai(t),代表神经元i的平均正向电流,即流入其膜的总电流。他们利用最小作用原理和变分方法推导出一个基本方程,这是一个复杂的神经波动方程。所提出的模型捕捉了基本的感知过程和记忆机制。神经动力学中噪声/不确定性的来源、形式和功能在文献中已有广泛讨论。来自突触前神经元的噪声输入可以调节放电,解释亚阈值与超阈值活动,打破相位锁定(或产生称为跳跃的随机相位锁定),并通过随机共振改善传入信号的编码。噪声存在于感觉处理的所有阶段,并显著影响神经和行为反应的变异性。因此,噪声不仅仅是一个烦人的因素,而是大脑处理和编码信息以及做出决策的有用部分(Fasoli, 2013; Laing和Lord, 2009; Pisarchik和Hramov, 2023)。噪声对放电的(建设性和更一般的)调节效应被称为相干共振(Deco和Schürmann, 1998; Laing和Lord, 2009; Pisarchik和Hramov, 2023),而反相干共振指的是噪声强度的规律性减弱效应(Pisarchik和Hramov, 2023)。为了研究噪声如何通过随机共振增强中枢神经元的信息传递,Deco和Schürmann(1998)采用了一个亚阈值膜电位的随机积分-放电模型及其跳跃扩散版本。这种方法结合了Ornstein-Uhlenbeck SDE和来自体突触的泊松分布输入脉冲列作为跳跃扩散模型:dV(t)=(?V(t)τ+μ)dt+σdW(t)+ωdS(t),其中τ表示在没有输入信号时膜电位的衰减,ω代表体突触强度,S(t)是作为狄拉克δ函数列的均匀泊松过程。更明确地说,S(t)满足dS(t)dt=∑iδ(t?ti)dS(t),所有脉冲时间ti由具有固定强度λ的泊松过程控制(Deco和Schürmann, 1998)。跳跃扩散模型也出现在突触可塑性的应用中。例如,Robert和Vignoud(2021)使用SDE来描述突触后膜电位的时间演变,神经元脉冲由非均匀泊松过程建模。当平均总体突触输入较大时,相应的泊松过程可以用适当的高斯过程近似。然后,具有“白噪声”的突触电流动态将遵循Ornstein-Uhlenbeck过程。因此,这种不确定性以“有色噪声”的形式出现在电压动态上。应用于带有加性和周期性随机驱动的FitzHugh-Nagumo模型的可以用以下SDE形式表示(符号稍作修改):dV(t)=(bV(V?0.5)(1?V)?cw(t)+dsin(ft)+I(t))dt + σdZ(t),其中w(t)是一个慢恢复变量(它依赖于V的线性常微分方程),I(t)是偏置电流,f是驱动频率,Z(t)是Ornstein-Uhlenbeck过程。有关这些想法和参考文献的总结,可以参见Laing和Lord(2009,第4章)。请注意,这样的非线性方程组可以通过本手稿第3.2节描述的SISS方法高效求解。Burkitt(2001)通过关注两个独立的泊松过程(分别对应兴奋性和抑制性突触后电位),使用随机版本的泄漏积分-放电(LIF)模型分析了具有反转电位的平衡神经元的行为。这种随机方法也与经典的第一次通过时间和基于扩散的泄漏积分-放电模型分析相联系(Ditlevsen和Lansky, 2007; Lansky和Ditlevsen, 2008)。相关的分析工作进一步发展了在扩散和射击噪声驱动下的尖峰系统的波动-耗散和交叉相关-响应关系(Lindner, 2022; Stubenrauch和Lindner, 2024)。对于接收周期性输入的平衡神经元,尖峰率用非均匀泊松过程建模,并研究了这些周期性突触输入的时序与输出尖峰之间的关系。Hong等人(2016)使用Itō型SDE模型研究了神经元中的快速随机波动(RRF),以解释大脑信号如何传播。该模型捕捉了神经元膜电位中的RRF,并为大脑中驱动信号移动的力的存在提供了分析支持。在Saarinen等人(2008)的工作中,通过向Hodgkin-Huxley模型添加布朗噪声,并使用Itō型SDE来模拟电压门控离子通道的行为,重点是小兴奋性神经元——小脑颗粒细胞。他们形成了一个SDE模型,包括六种不同离子通量的激活和失活:dX(t)=(αx(Vm)(1?X(t))?βx(Vm)X(t))dt+σdW,dX(t)=(αx(Vm)(1-X(t))-βx(Vm)X(t))dt+σdW,其中X(t)代表所讨论的离子通道的门控变量,αx和βx分别是激活或失活过程的速率函数,W是布朗运动。他们强调了SDE方法在更准确和高效地模拟神经元和离子通道的随机行为方面的作用,与马尔可夫链和确定性模型相比。通过使用期望最大化算法,这种方法比之前的随机方法更真实和有效地再现了小脑颗粒细胞的不规则放电观察结果。这种方法也有潜力研究小脑和其他神经元类型的复杂神经网络动态(Saarinen等人, 2008)。另一种应用随机模型来改进确定性方法的是模拟临床数据中观察到的脑脊液(CSF)流动和颅内压波动。例如,Raman(2011)在Marmarou模型中引入了以下Itō型SDE来描述CSF的动态流动:dp={EpI(t)?Ep(p?pb)R}dt+σEpdW,其中p是CSF压力,pb是基线压力,E是大脑弹性,I是外部体积添加的速率。这个SDE有一个明确的解析解(作为随机Verhulst方程),但其更复杂的版本和类似的二次模型[如Laing和Lord(2009)中的二次积分-放电模型]可以使用第3.2节讨论的稳定数值方法求解。这项研究的一个关键发现是,当噪声达到一定水平时,概率会根据CSF流动的容易程度和噪声的强度迅速变化(Raman, 2011)。Chow和Buice(2015)利用微扰场论和路径积分方法研究了FitzHugh-Nagumo和Ornstein-Uhlenbeck模型的常见SDE的矩。尽管这些方法很复杂,但它们在数学神经科学中是非常强大的工具,也可以用来研究更大的系统,如相互作用的神经元网络或具有固定无序的系统。最近的随机神经动力学文献和博士论文还包括通常耦合在一起的多变量模型,以解释一个或多个大脑区域如何相互作用,如何预测神经元的尖峰行为,或者膜电位动态与细胞内运动之间的关系。例如,Deco等人(2014)提出了以下耦合非线性SDE的简化集合,用于全局大脑动力学,包括兴奋性(E)和抑制性(I)变量:I(E)i=WEI0+w+JNMDAS(E)i+GJNMDA∑jCijS(E)j?JiS(I)i + Iexternal I(I)i=WII0+JNMDAS(E)i?S(I)i+λGJNMDA∑jCijS(E)j r(I)i=H(I)(I(I)i=αII(I)i?bI1?exp(?dI(aII(I)i?bI))dS(E)i(t)dt=?S(E)iτE+(1?S(E))iγr(E)i+σvi(t))dS(I)i(t)dt=?S(I)iτI+r(I)i+σvi(t),Ii(E)=WEI0+w+JNMDASi(E)+GJNMDA∑jCijSj(E)?JiSi(I) + Iexternal Ii(I)=WII0+JNMDASi(E)?Si(I)+λGJNMDA∑jCijSj(E) ri(I)=H(I)(Ii(I))=αIIi(I)?bI1?exp(?dI(aIIi(I)?bI))dSi(E)(t)dt=?Si(E)τE+(1?Si(E))γri(E)+σvi(t))dSi(I)(t)dt=?Si(I)τI+ri(I)+σvi(t),其中r(E,I)iri(E,I)表示大脑区域i中的兴奋性(E)或抑制性(I)群体的放电率,S(E,I)iSi(E,I)是区域i的平均兴奋性或抑制性突触门控变量,I(E,I)iIi(E,I)分别代表兴奋性或抑制性变量的相应输入电流。他们的方法通过在动态平均场模型中将元素组视为独立实体来简化随机交互的神经元的高维系统(Deco等人, 2014)。Tierney(2024)将Hodgkin-Huxley神经元模型扩展为四个SDE的系统,研究了神经元的尖峰行为,以提供对膜电位(电压V)以及给定时间离子通道的门控变量(m, n, h)动力学的更真实理解:dV=[(I?(INα+IK+IL))/C]dt+σVdW1(t)dm=[αm(V)(1?m)?βm(V)m]dt+σmdW2(t) dh=[αh(V)(1?h)?βh(V)h]dt+σhdW3(t) dn=[αn(V)(1?n)?βn(V)n]dt+σndW4(t) dV=[(I-(INα+IK+IL))/C]dt+σVdW1(t)dm=[αm(V)(1-m)-βm(V)m]dt+σmdW2(t) dh=[αh(V)(1-h)-βh(V)h]dt+σhdW3(t) dn=[αn(V)(1-n)-βn(V)n]dt+σndW4(t),其中m和n分别代表开放的钠或钾通道的比例,h指的是钠离子通道关闭的比例。此外,σV、σm、σh和σn表示模型四种状态的扩散系数。该模型通过E-M方法求解,并实施集合卡尔曼滤波器方法进行数据同化,以描述随机性如何影响神经元的行为(Tierney, 2024)。Dor?evi?等人(2023)引入了一个九变量的非线性随机模型,用于大鼠纹状体的多巴胺动态。该模型捕捉了合成、储存、释放和代谢过程,其噪声项由九维布朗运动过程驱动。文章还证明了解决方案的存在性、唯一性和正性,并提出了SDEs矩的界限。他们使用保持正性和收敛的隐式数值方法来模拟坐标过程,并提供可视化。Ditlevsen和Samson(2016)考虑了一个多维随机模型,以从细胞内记录估计神经元膜电位动态的生物物理参数。该模型使用m维维纳过程Wt、p维参数向量θ和d维过程Xt = (Vt, Yt)在Itō型SDE中:dXt=b(Xt;θ)dt+Σ(Xt;θ)dWt,dXt=b(Xt;θ)dt+Σ(Xt;θ)dWt,其中Vt表示膜电位,Yt代表未观测变量的d ? 1维向量,包括门控变量和开放离子通道的比例(对于特定离子)或特定突触输入。在方程5中,b和Σ分别是相应的向量漂移和矩阵扩散函数。主要挑战是参数估计,因为只有膜电位是直接观测到的,这使得从这些部分观测到的复杂模型中推断隐藏状态更加困难。许多研究论文通过随机模型及其数值解决方案研究了脑损伤/疾病,包括癫痫发作和阿尔茨海默病,偶尔借助机器学习方法。例如,Jirsa等人(2017)提出了一个随机脑网络模型,通过结合个体结构数据、致痫区和MRI损伤来进行脑干预。使用高性能计算和通过E-M方法模拟SDE,他们进行了系统参数探索和模型验证,以制定定制的治疗策略。Chen等人(2017)使用了一个高阶线性SDE动态系统,在d维空间中建模和优化了人类手臂的运动轨迹(由中枢神经系统选择)。通过扩展积分-放电模型(用于随机神经元活动)并采用随机控制方法,在这个线性模型中明确推导了最优轨迹、速度和方差的解析解,并提供了一个三维示例。Sinha等人(2019)利用高级连接学和随机模型研究了特发性 generalized epilepsy(IGE)患者中的显著白质变化,包括扣带回、穹窿和上纵束的损伤,以及较强的丘脑-皮质连接完整性。将这些发现纳入计算模型,研究表明增强的皮质-网状连接和受损的皮质-皮质连接驱动了类似癫痫的动态,强调了受损的皮质-丘脑连接作为潜在的治疗目标。使用带有噪声项的SDE模型模拟了癫痫发作转换,通过E-M方法以非常小的步长数值求解。Tajmirriahi和Amini(2021)引入了一种新的EEG信号建模方法,使用具有自相似分数Lévy稳定过程的SDE来提取癫痫检测的判别特征。通过使用尺度不变的分数导数并将概率分布拟合到衍生信号上,然后使用这些特征来训练支持向量机(SVM)分类器。这种方法在区分健康和癫痫EEG段时实现了非常高的分类准确性(超过99%)。这种方法简单且计算效率高,因为它不需要信号分解。另一项利用创新流程和机器学习方法(SVM、K最近邻和随机森林)以实现高分类精度的研究是Raisi-Nafchi等人(2025b)提出的SDE模型,该模型应用于术后对比增强T1加权MRI图像,用于对星形细胞瘤(一种脑肿瘤)进行分级。该模型使用分数拉普拉斯滤波器来捕捉MRI数据的特定特征,然后将结果输入到分类等级中。所提出的模型使用二维SVM成功获得了98.49%的高精度,并显示出改善肿瘤分级的巨大潜力(Raisi-Nafchi等人,2025b)。这些作者还应用SDE和统计建模框架来分析MRI图像,并预测IV级胶质瘤的异柠檬酸脱氢酶突变状态(Raisi-Nafchi等人,2025a)。在MacIver和Shaheen(2024)的研究中引入了一种新颖的随机模型,该方法将布朗扩散添加到用于生物入侵应用的确定性反应-扩散模型中。通过结合图论和贝叶斯统计的思想,该模型用于模拟阿尔茨海默病中错误折叠蛋白质的传播,阿尔茨海默病是一种以认知衰退为特征的神经退行性疾病。相应的SDE公式表示为dci=(?N∑j=1Lijcj+αci[1?ci])dt+σ2cidW(t),其中ci表示节点i中的错误折叠蛋白质浓度,α代表转换率。这种随机版本有助于更真实地模拟疾病,并捕捉不同脑区域随时间变化的错误折叠蛋白质浓度。Sato等人(2025)通过将布朗噪声添加到生物学上合理的确定性(Izhikevich)模型中,并利用机器学习技术,提出了一个神经SDE,用于建模异质性尖峰模式、设计外部电流和控制尖峰时间。外部电流通过随机梯度下降和反向传播技术进行迭代训练,以最小化发射不匹配和时间误差。模拟表明成功控制了尖峰,包括规则尖峰、突发尖峰和快速尖峰模式。Staii(2025)引入了一个基于朗之万方程和福克-普朗克方程的随机模型,用于描述随机轴突运动,将漂移与生物物理肌动蛋白-肌球蛋白离合模型联系起来,并研究稳定性,以估计波动谱和振荡状态。Carrillo等人(2013)从SDE系统的平均场极限的扩散近似出发,研究了非线性抛物线方程初始边界值问题的全局解的存在性。该研究推导出一个与边界上的概率通量非线性相关的非局部福克-普朗克方程。然后将具有非线性边界条件的福克-普朗克方程转换为具有狄拉克-δ源项的Stefan自由边界问题。其他一些多维随机(积分-射击)神经元模型讨论了非平衡环境下的尖峰触发适应(Schwalger和Lindner,2015),在弱噪声和高噪声环境下的亚阈值共振(Brunel等人,2003),时间相关的尖峰输入的有色噪声(Schwalger等人,2015),噪声极限环和准周期(Wallace等人,2011),以及包括相应福克-普朗克算子的谱分解在内的降维技术(Augustin等人,2017)。总之,这些研究突显了随机模型在神经科学领域的重大最新进展。将随机性集成到神经科学研究中提供了一种更真实的方法,使模型能够更好地解释神经元和大脑活动的行为。随着神经系统的复杂性增加,模拟大量神经元的相互作用变得具有挑战性。尽管SDE能够更好地洞察单个神经元或神经网络的动态,但在整个大脑的建模中使用非常大的SDE系统在计算上非常困难。为了克服这个问题,使用了平均场PDE。平均场PDE模拟大规模神经相互作用,并提供它们的介观/宏观描述。这些方程连接了单个神经元模型和观察到的神经元集体群体模型之间的差距。下一节将讨论这些方程的细节。平均场PDE模型通过跟踪适当的状态变量上的概率或种群密度,而不是跟踪单个神经元,提供了大规模神经网络的介观/宏观描述。从建模的角度来看,它们是大型相互作用随机系统的极限,通常可以解释为非线性福克-普朗克或McKean-Vlasov类型的传输方程(Fasoli,2013);另见(Carrillo和Roux 2025)对这类模型的最新综合调查。将尖峰网络动态与种群级描述联系起来的相关介观简化包括Mattia和Del Giudice的动态平均场方法,Ostojic和Brunel的尖峰到速率简化,以及Goldobin等人(2021;Mattia和Del Giudice 2002, 2004;Ostojic和Brunel 2011)最近开发的波动驱动的种群简化。在本节中,我们首先回顾统一框架中的平均场构造,然后讨论在神经科学中出现的四个PDE家族:用于膜电位或速率变量的抛物线福克-普朗克方程(第4.2节),用于电压-电导和FitzHugh-Nagumo类型动态的 hyperbolic 年龄或时间流逝结构方程(第4.3节),以及用于空间扩展皮层活动的随机神经场PDE(第4.5节)。4.1 理论背景:从微观网络到平均场PDE考虑一个由N个神经元组成的网络。对于每个神经元i ∈ {1, …, N},我们用Zi(t)表示它在时间t的状态,其值取自一个空间E(例如,E = ?表示膜电位,E = ?2表示电压恢复对,E = ?+×?表示年龄-电位对)。一大类相互作用随机模型可以写为dZi(t)=b(Zi(t),μNt)dt+σ(Zi(t),μNt)dWi(t)+dJi(t),其中μNt=1/N∑Nj=1δZj(t)是网络的经验测度,b和σ是漂移和扩散系数,Wi是独立的布朗运动(或其他噪声源),Ji代表跳跃项,如尖峰和重置。在点过程公式中,动态可以通过由μNt驱动的随机强度或危险函数来指定。在大型、弱耦合网络的平均场状态下,当N → ∞时,预期会出现大数定律行为:经验测度μNt收敛到E上的确定性概率测度μt,典型神经元的动态收敛到非线性(McKean-Vlasov)过程Z(t),其规律为μt,dZ(t)=b(Z(t),μt(dt+σ)Z(t),μt(dW(t)+dJ(t), μt=L(Z(t))。当Z(t)具有连续路径和密度p(t, z)时,其规律解决了非线性福克-普朗克或McKean-Vlasov类型的传输方程。如果Z的某些坐标是年龄(自上一次尖峰以来的时间),或者存在跳跃和重置机制,则会出现传输项和更新型边界条件,从而导致年龄结构化或动态PDE。严格的推导依赖于相互作用粒子系统和混沌传播的理论(Carrillo和Roux,2025;Fasoli,2013)。4.2 福克-普朗克模型福克-普朗克方程作为随机神经元模型和噪声神经质量系统的前向Kolmogorov方程而出现。它们描述了过程dXt=b(Xt,t)dt+σ(Xt,t)dWt的密度p(t, x)的时间演化,其中Xt∈RdXt∈?d,例如编码膜电位或低维速率/决策变量。如果Xt具有密度,则p满足?tp(t,x)=??x?(b(x,t)p(t,x))+1/2?x?(a(x,t)?xp(t,x)),a=σσ?。(6)当b或a通过自一致的发射率或平均场依赖于p时,方程(6)成为非线性McKean-Vlasov类型的福克-普朗克方程。在经典尖峰设置之外的一个重要例子是Kuramoto型振荡器网络,其中种群级非线性福克-普朗克方程已被用于描述皮层振荡中的同步现象(Breakspear等人,2010)。4.2.1 网络噪声泄漏积分-射击(NNLIF)模型在NNLIF神经元的均匀种群中,让Isyn, i(t)表示时间t时神经元i的传入突触电流。然后,神经元i的亚阈值电压动态由以下形式的SDE控制dVi(t)=(?1/τm(Vi(t)?Vrest)+Isyn,i(t))dt+σdWi(t),其中阈值和重置分别为Vth和Vreset。在平均场近似中,Isyn, i(t)被替换为依赖于种群发射率S(t)和连接参数J的有效输入,可能带有突触延迟。当N → ∞时,膜电位密度p(t, v)满足形式为?tp(t,v)+?v([?1/τm(v?Vrest)+μ(t)]p(t,v))?σ^2/2?vvp(t,v)=0的非线性福克-普朗克方程,其中漂移μ(t)由网络活动S(t)确定,边界条件编码阈值穿越、基于通量的发射率S(t)的定义和在Vreset处的重置。早期对稀疏抑制积分-射击网络的分析研究发现在低发射率状态下从静态活动到振荡活动的急剧转变,为后来的种群级振荡分析提供了经典参考点(Brunel和Hakim,1999)。后续的NNLIF方程分析澄清了几个额外的关键状态。基本模型根据连接性允许零个、一个或两个静态状态,在完全兴奋性网络中,可以在适当的初始数据条件下证明发射率的有限时间爆炸,突出了兴奋和噪声之间的微妙平衡(Cáceres等人,2011)。扩展包括不应期状态和发射电位的随机性,表明在确定性阈值模型会爆炸的参数范围内,自发的活动可能会出现(Cáceres和Perthame,2014)。对于抑制性或弱连接网络,特别是对于延迟的NNLIF系统,可以构建全局时间解并通过利用一系列伪平衡来证明向静态分布的收敛,这些伪平衡捕获了长时间传输延迟下的长时间行为(Cáceres等人,2024)。这些结果将NNLIF模型的非线性福克-普朗克结构与种群活动中的平台状态和延迟诱导振荡等现象联系起来。4.2.2 决策、速率和诱发种群动态的福克-普朗克方程福克-普朗克方程也适用于从随机神经质量系统派生的低维决策和速率模型。在两选决策模型中,具有漂移场F和噪声幅度ε的随机Wilson-Cowan类型系统在两个群体活动x ∈ Ω??2的概率密度p(t, x)的水平上,导致以下形式的福克-普朗克方程?tp(t,x)=??x?(F(x)p(t,x))+ε^2Δxp(t,x),x∈Ω??2,并在?Ω上施加无通量边界条件,以强制有界的发射率和总概率的保守(Carrillo等人,2011)。对于小噪声,动态表现出亚稳定性:解决方案迅速沿着连接不稳定“自发”状态和两个稳定“决策”状态的慢流形集中,并且只有在更长的时间尺度上才放松到平衡状态。在适当的向内指向漂移场假设下,可以通过结合Krein-Rutman理论和广义相对熵方法证明静态密度的存在性、唯一性和向这个平衡的收敛(Carrillo等人,2011)。静态分布通过不同吸引子附近的质量编码决策概率,沿慢流形观察到的浓度表明决策变量可以使用一维漂移-扩散近似来简化(Carrillo等人,2011)。此外,在(Harrison等人,2005)中,提出了一种种群密度方法来模拟具有随机到达的峰值时间的诱发响应电位,并分析了随机力的分散效应,以比较随机模型和确定性模型的平衡响应率。通过对表示轨迹集合的概率密度取期望值,研究了平均膜电位和发射率。模型参数通过贝叶斯方法估计,相应的福克-普朗克方程通过离散化求解。4.3 年龄和時間流逝结构化PDE在计算神经科学中,年龄结构化和時間流逝公式通常被称为不应期密度方程,提供了一种替代的平均场描述,其中状态变量是自上次尖峰以来的时间流逝,而不是膜电位(Chizhov和Graham,2007, 2008;Gerstner,2000, 2001;Schwalger和Chizhov,2019)。在微观层面上,每个神经元携带一个年龄变量Ai(t) ≥ 0,它在尖峰之间以单位速度增加,并在尖峰时重置为零,?i(t)=1,?i(t)=1,其中尖峰强度(危险率)λ(Ai(t),μNt)取决于年龄和种群活动。在平均场极限下,年龄分布n(t, a)满足?tn(t,a)+?an(t,a)+λ(a,F[n(t,?)])n(t,a)=0,a>0,以及更新边界条件n(t,0)=∫∞0λ(a,F[n(t,?)])n(t,a)da。这些方程自然地通过年龄变量编码不应期性,并可以通过适当的耦合核纳入适应性和疲劳(Pakdaman等人,2009, 2014;Perthame等人,2025)以及传输延迟。年龄和時間流逝结构化模型的分析研究表明,根据连接性和异质性或适应机制,可以在弱耦合或异质网络中观察到严格的失同步和指数级放松到稳态(Kang等人,2015;Pakdaman等人,2009, 2014),以及在强非线性和延迟状态下自维持或延迟诱导的周期性解决方案(Pakdaman等人,2009;Perthame等人,2025)。4.4 用于电压-电导和FitzHugh-Nagumo动态的动能PDE动能平均场模型保留了每个神经元的几个连续状态变量,如膜电位和一个或多个电导或恢复变量,以及噪声和平均场耦合。他们的目标是将生物物理上详细描述的单个神经元动态与更聚合的群体模型联系起来。一个典型的例子是Perthame和Salort提出的电压-电导动力学方程,该方程用于具有缓慢突触传导性的积分-放电网络(Perthame和Salort,2013年)。在平均场极限下,电压v和电导g的联合密度p(t, v, g)满足以下形式的动力学Fokker-Planck方程:
?tp(t,v,g) + ?v(f(v,g)n(p(+?g(h(v,g,Φ[p]))p - σ2V/2?2vvp - σ2G/2?2ggp = 0,
其中f和h编码被动电流和突触电流,Φ[p]是一个与群体发射率相关的p的非局部函数,扩散项仅作用于电导变量g,从而产生一个亚椭圆结构。该方程由v的阈值重置条件和g → 0以及g → ∞时的适当边界行为补充。Perthame和Salort建立了密度和发射率的全局先验界限,分析了弱连接情况下稳态解的存在性,并指出了与抛物线型NNLIF方程的“悖论”,后者可能表现出有限时间爆炸,而动力学模型保持全局有界(Perthame和Salort,2013年)。
另一个著名的例子是FitzHugh-Nagumo动力学模型,在该模型中,状态(V, W)的概率密度满足与具有噪声的平均场耦合的FitzHugh-Nagumo动态相关的非线性Fokker-Planck方程(Mischler等人,2016年)。相关的密度p(t, v, w)满足在?2上的亚椭圆非局部动力学Fokker-Planck方程,其中漂移项结合了立方FitzHugh-Nagumo向量场和依赖于平均电压的McKean-Vlasov项。Mischler等人证明了这个方程的全局适定性,非平凡稳态概率密度的存在性,以及在弱非线性(小连通性)情况下稳态的指数稳定性(Mischler等人,2016年)。此外,他们的谱分析和数值模拟表明,增加的连通性可以引起对称性破缺,并产生周期性集体振荡,说明了动力学偏微分方程如何捕捉异步和振荡网络活动之间的转换(Mischler等人,2016年)。
4.5 随机神经场偏微分方程
神经场模型描述了在空间分布的神经元群体中的粗粒度活动,通常是皮层片或网格细胞网络。经典的公式是在空间域上定义的场u(t, x)的积分-微分方程,通过突触核进行非局部耦合。Coombes(Coombes,2005年)对确定性Wilson-Cowan/Amari型神经场理论进行了经典回顾,包括其数学分析和模式形成机制。
在这些经典公式的基础上,随机神经场模型直接在场级别或通过局部群体的波动引入噪声,并表现出空间模式,如行波、凸起和类似网格的镶嵌。从平均场偏微分方程的角度来看,随机神经场通常可以重新表述为活动变量的局部概率密度的非线性Fokker-Planck系统。最近的工作(Carrillo等人,2023年,2024年)发展了这个框架,用于具有随机动态的空间耦合神经群体。在(Carrillo等人,2023年)中,他们分析了环形域上内侧内嗅皮层中的四群体模型,其中通过噪声驱动的分岔从均匀状态中出现空间周期性模式:小但有限的噪声破坏了空间均匀平衡,并选择了六边形网格状的活动模式,这与实验观察结果一致。分析结合了神经场模式形成机制和非线性、非局部Fokker-Planck结构,并使用环面上的等变分岔理论对模式化解的分支及其线性稳定性进行分类(Carrillo等人,2023年)。
在此基础上,(Carrillo等人,2024年)为相关的非线性Fokker-Planck系统开发了严格的偏微分方程理论。通过将方程重新表述为Stefan型自由边界问题,作者在适当的衰减和Lipschitz假设下证明了经典解的局部和全局存在性,推导出表示公式,并通过广义相对熵函数建立了稳态的非线性渐近稳定性。这些结果通过展示在偏微分方程层面出现的空间结构化网格细胞模式在长时间内是动态稳定的,补充了(Carrillo等人,2023年)的分岔分析。
除了神经场Fokker-Planck系统之外,SPDEs也被直接用于建模皮层活动。例如,在(Kramer等人,2005年)中使用了Steyn-Ross型SPDE模型来预测对皮质下刺激增加的响应中的振荡和行波,其简化的ODE版本显示了分岔和振荡行为。与人类癫痫数据的比较显示了峰值频率和传播速度的一致性,表明癫痫可能代表了大脑中病理性模式的形成(Kramer等人,2005年)。另一个例子是(Lopour和Szeri 2010年)的反馈控制模型,通过SPDE模型来停止癫痫。它通过处理电极附近大脑活动的急剧变化来确保准确模拟。研究表明,新的电极测量模型和控制算法有效抑制了类似癫痫的活动,同时最小化了皮质损伤的风险(Lopour和Szeri,2010年)。
在(Uma等人,2025年)中开发了一种用于模拟神经生物学动态的随机Fitzhugh-Nagumo PDEs的数值解决方法:
ut = uxx + u(u?a)(1?u) + σu;
Wt = uxx + u(u?a)(1?u) + σuWt,
初始和边界条件为:
u(0,x) = u0(x), 0≤x≤1
u(t,0) = g0(t), u(t,1) = g1(t), 0≤t≤T
u(0,x) = u0(x), 0≤x≤1
u(t,0) = g0(t), u(t,1) = g1(t), 0≤t≤T
其中Wt是Wiener过程,?是相应的白噪声过程。
总之,神经科学中的平均场PDE模型包括抛物线型、双曲线型和动力学方程,这些方程系统地将神经网络的微观随机描述与介观和宏观动态联系起来,并为分析群体层面的神经现象提供了灵活的框架。
4.6 平均场PDE模型的数值方法
本节描述的平均场PDE模型很少能够以封闭形式求解,通常使用针对其特定结构定制的数值方案进行研究。可以区分两种广泛的方法:基于粒子的方法,它们近似底层随机过程;以及PDE本身的确定性求解器。第一类方法依赖于蒙特卡洛模拟微观SDE或点过程描述,并对相关密度进行实证估计(René等人,2020年;Schwalger等人,2017年)。这对于NNLIF和动力学模型来说是自然的,其中McKean-Vlasov过程的规律通过大量相互作用粒子来近似。这样的方案 implementation 直观,但在需要罕见事件或精细空间分辨率时计算成本较高,并且不太适合系统性的分岔分析。
确定性方案直接近似PDE。对于NNLIF方程及其变体,已经使用了基于高阶迎风或WENO离散化的有限差分和有限体积方法来解决电压或电导分布中的尖锐梯度和类似爆炸的现象,通常结合强稳定性保持的Runge-Kutta时间积分器。此外,还适应了Fokker-Planck类型的结构保持离散化方法,如Chang-Cooper和Scharfetter-Gummel方案,以保证离散质量的守恒和解的非负性,在线性情况下,再现正确的平衡状态和相对熵的耗散(Carrillo和Roux,2025年;Chang和Cooper,1970年)。
对于年龄结构和时间流逝方程,基于年龄变量的迎风有限体积方法,有时与时间分裂策略结合使用,提供了传输和更新项的有效近似。在动力学电压-电导和FitzHugh-Nagumo系统中,通常采用半隐式和算子分裂方案来处理刚度和退化扩散,同时在中强耦合或大延迟的情况下保持稳定性。
最近,还提出了用于随机神经场PDE和相关Fokker-Planck系统的谱和方法不连续Galerkin方法以及结合粒子和PDE求解器的多尺度混合方案。这些方法旨在准确捕捉高维设置中的空间模式形成和长时间动态(包括噪声驱动的分岔)。开发这些PDE模型的稳健、结构保持和计算高效的数值方法仍然是一个活跃的研究领域,并且对于将数学理论与现实网络规模和实验数据联系起来至关重要。
5 讨论和开放问题
在这篇综述中,我们将神经科学中的微分方程模型组织成了三个相互连接的层次:在单神经元、群体和全脑尺度上的确定性ODE模型;扩展这些ODE框架以包含内在和突触变异性的随机模型;以及描述大网络中概率或群体密度演变的平均场PDE模型(Carrillo和Roux,2025年;Dayan和Abbott,2001年;Ermentrout和Terman,2010年;Gerstner等人,2014年)。这种层次结构将微观的尖峰与介观和宏观行为联系起来,并揭示了跨建模方法的共同数学结构。
在确定性层面,基于电导的和简化的单神经元模型、神经质量系统和全脑ODE网络提供了机械模板,从中可以推导出随机和平均场描述(Breakspear,2017年;Deco等人,2008年;FitzHugh,1961年;Hodgkin和Huxley,1990年;Ritter等人,2013年;Wilson和Cowan,1972年)。它们允许分析相对低维状态空间中的兴奋性类型、多稳定性和振荡,将生物物理参数与动态的定性变化联系起来,并通过拟合的群体模型解释介观和宏观记录。随机扩展(噪声ODEs、SDEs、点过程和更新模型)通过捕捉尖峰时序、突触输入和网络连接的随机性来丰富这些模板,并作为平均场限制的微观起点。由于变异性和噪声对神经功能和认知至关重要,随机层在这篇综述中受到了特别关注。基于SDE的模型已成功用于再现神经发射模式,研究波动输入和突触可塑性的影响,以及捕捉电生理(Ditlevsen和Samson,2016年;Jansen和Rit,1995年;René等人,2020年;Schwalger等人,2017年)和成像数据(Jirsa等人,2017年;Ritter等人,2013年)中的大尺度神经变异。
另一方面,平均场PDE模型——Fokker-Planck、年龄结构化、动力学和随机神经场方程——用膜电位、流逝时间或电导和恢复变量的密度来编码大群体的集体动态(Cáceres等人,2011年;Carrillo和Roux,2025年;Chizhov和Graham,2007年;Gerstner,2000年;Mischler等人,2016年;Pakdaman等人,2013年;Schwalger等人,2017年)。在这些层次上,出现了类似的动态现象:多稳定性、振荡、同步和模式形成,以及病理性活动状态,如类似癫痫的事件、爆炸和延迟引起的不稳定性。总的来说,ODE、SDE和PDE模型对我们的神经动态理解做出了重要贡献,并且仍然是推进我们对大脑功能、神经疾病和新计算方法发展的理解的有希望的工具。
尽管几个典型模型的基本数学图景已经确立,但许多问题仍然悬而未决。在随机层面,网络规模的SDE模型通常是高维的,并且由复杂的状态依赖和非高斯噪声源驱动,然而大多数现有工作仍然依赖于相对简单的白噪声近似。开发统计上可行和计算效率高的方法来从有限的、噪声数据(例如 subsampled spikes或成像信号)中推断出真实的噪声结构和参数仍然是一个主要挑战。最近关于神经ODE和SDE架构的工作也强调了关于它们的表达能力、可识别性和数值鲁棒性的开放问题:目前还不完全清楚这些模型可以表示哪些类别的神经动态,如何确保在刚性和多尺度情况下的稳定训练,或者如何用生物学术语解释学到的连续时间矢量场(Worsham和Kalita,2025年)。从方法论的角度来看,设计结合机械微分方程模型与现代机器学习工具(例如 amortized inference、变分自编码器或神经替代模型)的参数估计和模型选择框架将是很有价值的,这样的框架应该对测量噪声具有鲁棒性,能够产生不确定性量化,并尊重生物物理约束。
当将微分方程模型与机器学习工具(如物理信息神经网络(PINNs)结合时,也会出现类似的挑战。基于PINN的方法已被提出用于Fokker-Planck和平均场PDE的前向和逆问题,但严格的误差估计、收敛保证和可识别性结果仍然主要限于低维度或线性设置。将这些理论基础扩展到非线性、高维神经PDE,并理解需要多少数据来从粒子或尖峰序列观察中学习可靠的模型,是重要的开放问题。更广泛地说,有许多工作可以在统一推理管道内集成ODE、SDE和PDE描述,用于控制和高维随机及平均场模型的优化,以及将更现实的生物物理约束和噪声统计纳入基于微分方程的神经系统模型中。
在这一点上,我们相信人工智能和机器学习技术可能实现更精确和高效的随机神经模型参数估计。由于这些方法可以直接从数据中学习复杂的概率结构,它们有可能显著加速参数估计,特别是在与自适应优化和不确定性量化结合使用时。然而,一个关键的挑战是确保推断出的参数在真实数据环境中仍然具有生物学上的解释性和鲁棒性。5.1 多尺度整合与模型比较尽管基于常微分方程(ODE)、随机微分方程(SDE)和偏微分方程(PDE)的模型在适当的极限条件下可以相互推导出来,但同一研究中的系统性跨尺度比较尚未广泛开展,尽管有一些有影响力的例子提供了丰富的基准,用于比较从中导出的介观/宏观动态与基础微观模型的模拟(Greven等人,2026年;René等人,2020年;Schwalger等人,2017年)。除了这些基准研究之外,我们还知道许多形式上的对应关系:例如,非线性局部场离子(NNLIF)Fokker-Planck方程和基于时间的年龄结构化模型都可以从不同尺度或状态变量选择下的积分-放电神经元网络中获得(Cáceres等人,2024年,2011年;Carrillo等人,2011年);动力学FitzHugh-Nagumo方程可以与微观可激发神经元和低维速率模型联系起来(Mischler等人,2016年;Montbrió等人,2015年)。对这些对应关系的更系统分析可以澄清不同的简化描述何时真正等价,何时捕捉到同一动态的互补方面,以及何时出现分歧。从实际角度来看,这样的比较对于模型选择也很重要:给定特定的数据集(例如,脉冲列、局部场电位、EEG/MEG或fMRI时间序列),在什么条件下应该选择神经质量常微分方程、Fokker-Planck方程、年龄结构化模型或动力学偏微分方程?开发定量标准和鲁棒程序来比较这些模型,无论是通过基于似然的方法还是通过精心设计的摘要统计量,仍然是一个未解决的挑战。5.2 基于PDE模型的数据同化和参数推断虽然对于ODE和SDE模型有各种成熟的参数推断方法,但在多尺度、部分观测和强非线性的神经系统中,鲁棒且可识别的推断仍然是一个难题(Ditlevsen和Samson,2016年;Moye和Diekman,2018年;René等人,2020年)。对于基于PDE的神经模型,相应的推断和数据同化框架在神经科学中的应用相对较少且不那么常规(Harrison等人,2005年)。原则上,Fokker-Planck、年龄结构化或动力学的方程中的种群密度可以与可观测量(如放电率、功率谱或空间模式)联系起来;但实际上,从这些可观测量估计参数(连接强度、延迟、噪声水平、适应时间尺度)的逆问题仍然极具挑战性(Ditlevsen和Samson,2016年;Harrison等人,2005年;René等人,2020年)。有许多方法论途径可供选择,例如变分数据同化、基于伴随的梯度方法、贝叶斯推断和基于粒子的PDE动力学近似,但这些方法尚未系统地应用于神经PDE模型。开发可扩展的、适定的参数估计框架,并量化关键参数的可识别性,是使平均场PDE在数据驱动的神经科学中更直接可用的重要方向。5.3 控制、调节和最优干预大多数 ici 审查的工作都集中在神经系统的自主动态上。然而,从理论和应用的角度来看,控制和调节的问题变得越来越重要,例如在神经调节疗法、癫痫抑制或靶向刺激的背景下(Acharya等人,2022年;Chouzouris等人,2021年;Schiff,2011年)。在ODE层面,有关神经质量和全脑模型控制的文献非常丰富(Basu等人,2018年;Chouzouris等人,2021年;Wang等人,2016年)。此外,基于动态规划原理或鞅对偶技术的随机最优控制技术也已经成熟(Chen等人,2017年)。尽管可能仍有空间将现有方法扩展到神经动力学中的干预措施,但有一个趋势是将理论结果与机器学习和蒙特卡洛方法结合起来。然而,基于PDE的平均场模型的控制问题才刚刚开始被探索。自然问题包括:通过适当塑造外部输入或连接性来抑制NLIF方程中的爆炸性行为;引导年龄结构化网络在异步和振荡状态之间切换;以及控制动力学方程以稳定或破坏特定模式。这些任务自然会导致由非线性Fokker-Planck、传输或动力学方程支配的最优控制或反馈控制问题,控制理论和数值分析仍有许多贡献空间。5.4 分析挑战和模型泛化在分析方面,即使对于相对经典的模型,也仍有几个结构性问题尚未解决(Carrillo和Roux,2025年)。对于NNLIF方程,随着连接性、延迟和噪声的变化,所有可能的长时间行为(稳态、周期或更复杂的吸引子)的完整表征仍然不完整,特别是在多种群或空间扩展的设置中(Cáceres等人,2011年;Cáceres和Perthame,2014年;Cáceres等人,2024年)。对于年龄结构化模型,强非线性的放电率函数和分布式延迟核可以产生复杂的动态,其严格理解仍然只是部分的(Pakdaman等人,2009年,2013年,2014年;Perthame等人,2025年;Schwalger和Chizhov,2019年)。对于动力学方程,次椭圆性、退化扩散和无界系数带来了技术难点,分支和模式形成的研究仍处于早期阶段(Mischler等人,2016年;Perthame和Salort,2013年)。同时,一些自然的模型扩展尚未完全纳入平均场PDE框架。这些包括突触可塑性(短期和长期)、结构性连接变化、具有分布式参数集的异质种群以及更真实的树突和网络几何形状(Carrillo等人,2023年;Ritter等人,2013年;Robert和Vignoud,2021年;Schmutz等人,2023年;Schwalger等人,2017年)。将现有的分析结果扩展到这些泛化,或者识别在其中仍然可行的简化PDE描述,是一个重大但重要的挑战。5.5 与机器学习和神经微分方程的联系最后,人们越来越有兴趣将机械微分方程模型与机器学习技术结合起来。在ODE和SDE层面,神经ODE、神经SDE和通用微分方程提供了灵活的框架,其中部分动态是机械指定的,而其他部分是从数据中学习到的。然而,将这些模型与贝叶斯和统计方法(如(条件)最大似然估计和隐马尔可夫框架中的EM类型方法)结合起来变得具有挑战性,特别是当某些变量是隐性的且只部分观测到时(Ditlevsen和Samson,2016年;Laing和Lord,2009年;René等人,2020年)。将这些想法扩展到基于PDE的神经模型可以实现混合方法,例如,保留Fokker-Planck或年龄结构化方程的结构,但从数据中学习某些闭合项、有效漂移组分或核函数。基于物理的神经网络和相关的无网格方法提供了另一种近似解决神经PDE和解决逆问题的途径,可能降低在高维或参数丰富环境中的经典离散化成本。然而,对于这些方法在非线性Fokker-Planck、传输和动力学方程中的表达性、训练稳定性和误差控制问题还有待仔细研究。5.6 前景微分方程模型在理论神经科学中发挥了重要作用已有数十年,现在的格局已经足够广泛,可以统一涵盖确定性动态、随机过程、计算方法和平均场PDE。下一阶段可能会通过对这些建模层与实验数据的更紧密集成,以及理论分析、数值/模拟、优化/控制和机器学习组件之间更紧密的互动来推动。沿着这些方向的进展不仅能够带来对神经动态跨尺度的更深层次数学理解,还能提供更有效的工具来解释数据、设计干预措施,并将微观机制与宏观和微观大脑活动联系起来。