人的大腦擁有無(wú)比強(qiáng)大的思考與運(yùn)算能力，卻僅需約20W的超低功率，能耗遠(yuǎn)遠(yuǎn)低于電子計(jì)算機(jī)。大腦網(wǎng)絡(luò)的神經(jīng)連接具有全局上稀疏而局部緊致的模塊化特點(diǎn)，使得用于建立連接的總資源消耗大大減少。大腦中每個(gè)神經(jīng)元的發(fā)放稀疏而不規(guī)則，而神經(jīng)元群體的發(fā)放又具備一定的同步性，形成帶有無(wú)標(biāo)度（scale-free）特點(diǎn)的神經(jīng)雪崩，并對(duì)外界刺激的響應(yīng)敏感。然而，大腦結(jié)構(gòu)與動(dòng)力學(xué)性質(zhì)如何自組織達(dá)至共同的效率最優(yōu)化，人們目前對(duì)此仍然理解甚少。

最近，香港浸會(huì)大學(xué)物理系、非線性研究中心研究團(tuán)隊(duì)（梁俊豪博士，王圣軍教授（陜西師范大學(xué)），周昌松教授）在《國(guó)家科學(xué)評(píng)論》（National Science Review, NSR）發(fā)表研究論文，通過(guò)大規(guī)模數(shù)值模擬，并結(jié)合新型平均場(chǎng)理論方法，對(duì)空間網(wǎng)絡(luò)上的興奮-抑制平衡神經(jīng)回路動(dòng)力學(xué)模型做了仔細(xì)研究。

研究表明：當(dāng)把全局隨機(jī)連接的網(wǎng)絡(luò)（RN）重連成更符合生物實(shí)際的模塊網(wǎng)絡(luò)（MN），網(wǎng)絡(luò)的運(yùn)行消耗（發(fā)放率）與連接消耗均顯著下降，且動(dòng)力學(xué)模式上出現(xiàn)無(wú)標(biāo)度的雪崩（即臨界性），這使得網(wǎng)絡(luò)能更有效地對(duì)外界的刺激作出相應(yīng)（見(jiàn)圖1）。

IMAGE:?（A）RN與MN的結(jié)構(gòu)示意；（B）神經(jīng)發(fā)放率與網(wǎng)絡(luò)連接消耗隨網(wǎng)絡(luò)重連的變化；（C）RN與MN的神經(jīng)雪崩規(guī)模分布頻率；（D）RN與MN受刺激后的響應(yīng)。

進(jìn)一步分析發(fā)現(xiàn)，在重連過(guò)程中模塊內(nèi)密度增加是整體性質(zhì)改變的關(guān)鍵：網(wǎng)絡(luò)拓?fù)湎嚓P(guān)性的上升帶來(lái)動(dòng)力學(xué)相關(guān)性的上升，使得神經(jīng)元更容易發(fā)放。利用新型平均場(chǎng)理論，作者導(dǎo)出單個(gè)模塊的宏觀場(chǎng)方程，揭示了模塊密度增加引起神經(jīng)發(fā)放率降低，且使系統(tǒng)接近Hopf分岔的特性。這解釋了在更低發(fā)放代價(jià)下，臨界雪崩的形成與對(duì)外界刺激的敏感性上升的特點(diǎn)。通過(guò)耦合多個(gè)模塊得出的耦合振子模型，進(jìn)一步揭示原網(wǎng)絡(luò)重連過(guò)程中的動(dòng)力學(xué)變化規(guī)律（見(jiàn)圖2）。

該研究清晰地給出了大腦結(jié)構(gòu)與動(dòng)力學(xué)性質(zhì)相互作用達(dá)至共同的效率最優(yōu)化（而非兩者的權(quán)衡）的準(zhǔn)則，為人們理解生物大腦的高效運(yùn)作原理，以及高性能類腦計(jì)算裝置的設(shè)計(jì)提供了有力的支撐。此項(xiàng)工作得到國(guó)家自然科學(xué)基金委、大學(xué)教育資助委員會(huì)（香港）、香港浸會(huì)大學(xué)戰(zhàn)略發(fā)展基金的支持。

文章信息：

Less is more: Wiring-economical modular networks support self-sustained firing-economical neural avalanches for efficient processing
https://doi.org/10.1093/nsr/nwab102