[论文解读] Field theory for biophysical neural networks

Si-Wei Qiu, Carson C. Chow|arXiv (Cornell University)|Nov 5, 2014

Neural dynamics and brain function参考文献 7被引用 3

一句话总结

本文提出了一套场论框架，利用量子场论技术对具有生物物理现实性的神经网络进行建模，通过路径积分和有效作用量系统分析有限尺寸效应。推导出包含平均场和关联修正的方程（活动方程），捕捉高阶统计矩，提供一种非微扰方法，研究超越无限N极限的神经网络动力学。

ABSTRACT

The human brain is a complex system composed of a network of hundreds of billions of discrete neurons that are coupled through time dependent synapses. Simulating the entire brain is a daunting challenge. Here, we show how ideas from quantum field theory can be used to construct an effective reduced theory, which may be analyzed with lattice computations. We give some examples of how the formalism can be applied to biophysically plausible neural network models.

研究动机与目标

• 开发一个系统性的分析框架，用于研究具有生物物理现实动力学的大但有限的神经网络。
• 通过引入高阶统计矩，特别是两点关联，扩展平均场理论，以纳入有限尺寸效应。
• 推导出有效场方程——具体为活动方程——以描述神经网络中矩和关联的动力学。
• 通过格点方法实现这些方程的数值模拟，以探测真实神经系统中的非平均场行为。
• 评估在有限-N修正下神经网络状态的稳定性，特别是在临界边界如u(t) = 0附近。

提出的方法

• 利用Doi-Peliti-Janssen变换将神经网络动力学表述为路径积分，将概率密度泛函映射为场论作用量。
• 推导出有效作用量 S = Sφ + Su，其中 Sφ 控制相位密度演化，Su 控制具有噪声和耦合的突触驱动动力学。
• 通过最小化作用量应用平均场理论，得到一阶矩（平均相位和突触驱动）的确定性方程。
• 通过勒让德变换引入活动方程，引入两点关联函数 Cij 以捕捉有限-N效应。
• 采用2PI（两粒子不可约）形式化推导出矩和关联的闭合方程，包含非马尔可夫和噪声诱导项。
• 开发基于格点的数值方案以模拟活动方程，实现对关联驱动不稳定性及记忆动力学的研究。

实验结果

研究问题

• RQ1 如何将量子场论技术适配于建模具有有限尺寸效应的生物物理详细神经网络？
• RQ2 在何种参数区域内，由于有限-N关联的存在，平均场理论在神经网络动力学中会失效？
• RQ3 两点关联函数在神经网络状态的稳定性和动力学中起到何种作用，特别是在临界阈值如 u(t) = 0 附近？
• RQ4 基于2PI形式化推导出的活动方程是否能比平均场理论更准确地描述神经网络行为？
• RQ5 关联驱动不稳定性对有限神经系统中神经记忆和信息处理有何影响？

主要发现

• 从有效作用量推导出的平均场方程在 N → ∞ 极限下能准确描述神经网络的一阶矩动力学。
• 活动方程包含一个与 1/N 成比例的有限-N修正项，具体涉及关联函数 C31，用以捕捉尖峰诱导的突触涨落的影响。
• 数值比较表明，u(t) 的平均场解是稳定的，但全微观动力学在 u(t) = 0 附近表现出不稳定性，表明平均场预测的失效。
• 在 u(t) > 0 区域，平均场分析显示稳定；而在 u(t) < 0 区域，稳定性依赖于边界条件对特征值的约束，表明对有限尺寸效应高度敏感。
• 活动方程表明，关联函数可显著改变动力学，特别是在相变或阈值行为附近，暗示高阶矩对精确建模至关重要。
• 该框架使未来可通过格点模拟探测两点关联在神经网络稳定性与记忆保持中的作用，特别是在非平衡态下。