22、大规模脑建模与认知神经科学中的计算模型

大规模脑建模与认知神经科学中的计算模型

1. 数据处理问题与应对方法

在处理大量生成的数据时，若不清楚要寻找什么，分析PB级数据是不可能的。不同领域采用了不同的方法来应对这一问题，主要基于生物物理或计算动机，下面详细介绍这些方法。

1.1 统计方法

生物物理导向的模拟通常依赖统计方法，即统计神经动力学。在大规模神经群体中，通过固定平均神经激活和连接，随机生成单个神经元和突触的详细参数值，期望确定一种类似于经典统计力学中的“宏观动力学”。

这一方法在20世纪80 - 90年代因霍普菲尔德发现对称耦合网络的能量函数而得到发展。了解某些平均值（宏观状态）应足以预测未来宏观状态的时间演变，也能对fMRI、EEG测量、行为反应甚至感知或其他意识体验进行预测。不过，在EEG等测量层面，要收集足够数据以进行同层次预测并不容易，因为大脑整体不满足统计力学中的均匀性假设，可能仅适用于部分小区域。

大规模模拟为测试宏观状态层面预测系统演变的假设提供了可能，若多次模拟结果相同，可简化模型，将相似神经元群体用更抽象的单元表示。这种简化不仅能降低计算成本，还能建立神经元小尺度与皮质区域和脑核大尺度测量与观察之间的一致性。

但宏观动力学方法会严重降低信息处理和计算的可能性，因为个体神经活动的变化被忽略。实验表明单个感觉神经元的单个尖峰可改变动物行为并产生宏观可观测信号，不过统计方法仍可提供群体层面激活全局流动的一致图景，作为个体神经元详细信息处理的框架。

此外，统计理论有助于理解“平均”或“平均场”方法失效的条件，即单个尖峰可导致雪崩式大规模激活的情况，研究人员常提及“混沌边缘”，但混沌是否是正确解释尚不确定。从理论上讲，找