利用对比学习从动力学中学习神经元的柏拉图式内在表征

基于摘要分析。该研究探讨能否从神经元在不同外部条件下的活动片段中，学习反映其内在属性、且跨时间片段稳定的表征。受 Platonic Representation Hypothesis 启发，作者将每个神经元视为一个系统，采用 VICReg 学习表征，并在模拟动力学与真实神经元动力学数据上检验神经元类型、所在脑区及域外泛化能力。 核心机制：作者提出两个目标，即同一神经元的不同片段应比不同神经元的片段更相似，且表征应泛化到域外数据。概念上，同一神经元片段构成正样本对，不同神经元片段构成负样本对；实际采用的 VICReg 仅以正样本对优化，并通过正则项间接区分不同样本。摘要未提供具体编码器、损失配置或片段采样方式，不能据此判断时间稳定性与外部条件不变性的实现程度。 验证与结果：在 Izhikevich model 生成的模拟神经元群体动力学数据上，作者报告表征能够捕获由预设超参数定义的神经元类型。在两个真实神经元动力学数据集上，作者报告表征可预测神经元类型与所在脑区，其中类型标注涉及空间转录组学，并在未见动物这一域外测试条件下表现出鲁棒性。数据集名称、动物数量、划分方式、指标数值、对照基线、消融及统计信息尚未验证；上述结果也不足以直接确认表征覆盖所有分子与形态属性。 平台推测（待验证）：其可复用思路是通过稳定实体的多个活动片段学习不变表征，但这依赖可靠的神经元身份对应。EEG 通道是混合信号，不能直接等同于单个神经元；若用于跨会话 EEG 表征，需要重新定义正样本配对并适配多通道编码。低信噪比、通道变化及被试身份混杂可能使表征保留个体特征而损失任务信息。一个可证伪的小实验是，在具有跨会话记录的 EEG 数据中，仅用训练划分构造同一被试的跨片段正对，比较 VICReg 与同编码器基线在留出会话任务表现及被试身份可预测性上的变化。已有 EEG 相关工作尚未检索确认。