论文题目：Critical Avalanches in Excitation-Inhibition Balanced Networks Reconcile Response Reliability with Sensitivity for Optimal Neural Representation

论文地址：https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.134.028401

期刊名称：Physical Review Letters

研究团队构建了一个兴奋-抑制平衡（Excitation-Inhibition, E-I Balanced）网络，用于模拟神经元之间的相互作用。网络模型中兴奋性和抑制性神经元的动力学被严格控制，以确保它们的总输入处于一种近似平衡状态，这种平衡对实现神经网络的功能至关重要。通过调节抑制性突触的时间常数，研究网络在不同动态状态下的行为。为了确定网络的临界状态，研究者采用了Hopf分岔分析，探索抑制性突触时间常数参数的变化如何引发从亚临界到超临界的转变。调参过程中，通过检测网络对外部输入的瞬时响应幅度度量神经反应的灵敏性，多次重复实验计算相同输入下的神经响应一致性度量可靠性。研究确定了系统在不同参数下的状态：

• 亚临界状态（subcritical state）：系统的响应幅度较低，网络的活动分布较集中；

• 临界状态（critical state）：系统出现幂律分布的雪崩行为，反应灵敏且稳定；

• 超临界状态（supercritical state）：响应变得过于强烈，系统的活动呈现出高波动性，导致可靠性降低。

图 1. 传统的分岔过程和E-I平衡网络模型的不同响应特性。（a）（d）尖峰发放图，上中下分别表示超临界、临界、亚临界态；（b）（e）临界态下雪崩时间和规模分布图；（c）（f）接收外界输入时，灵敏性和可靠性的关系情况。

图 2. 在E-I平衡网络中临界雪崩提升了神经网络表征能力。

图 3. 不可靠的亚临界状态和僵硬的超临界状态。（a）最可靠雪崩中参与的神经元的平均数量（雪崩大小），随着抑制性突触时间参数的变化。（b）最可靠雪崩的时间可靠性（蓝色）和空间可靠性（红色），随着抑制性突触时间参数的变化。（c）（d）在每个输入信号下，最可靠雪崩的低维表示，展示临界状态和超临界状态的变化。不同颜色代表十个不同的输入信号，且相同颜色的不同点表示使用相同输入信号进行的不同实验。

详情请见：计算神经科学读书会启动：从复杂神经动力学到类脑人工智能

6. 加入集智，一起复杂！