使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。本文研究能否从不同外部条件下的神经元活动片段中，学习同一神经元相对时间不变的内在表征，并提出 NeurPIR（Neuron Platonic Intrinsic Representation）框架。其目标是使同一神经元的片段表征比不同神经元更相似，同时能够泛化至域外数据；这不是直接面向 EEG 或 BCI 解码的研究。 方法受 Platonic Representation Hypothesis 启发，将每个神经元视为一个动力学系统，假设其活动中存在反映分子特征、位置和形态等内在属性的稳定表征。框架概念上将同一神经元的不同片段作为正样本、不同神经元的片段作为负样本；实现采用 VICReg，侧重正样本一致性并通过正则化约束表征，而不能据此认定其显式使用负样本对比损失。训练依赖片段的神经元身份对应关系，具体编码器、片段构造及条件覆盖尚未验证。 作者报告，在 Izhikevich 模型生成的神经元群体动力学数据上，所学表征能够识别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，结合空间转录组学提供的类型标注及神经元位置进行评估，表征能够预测类型与位置，并对来自未见动物的域外数据表现出稳健性。摘要未提供数据集名称、动物数量、量化指标或对照结果，实验协议、消融及统计信息尚未验证。这些结果不等同于已验证表征恢复了全部分子或形态属性。 平台推测（待验证）：该机制更适合探索具有稳定单神经元身份对应的侵入式记录，可能帮助区分细胞内在特征与状态变化；不能直接把 EEG 通道视为单神经元。可复用的是片段配对与 VICReg 目标，需改造信号编码及身份匹配；低信噪比、单元漂移、跨动物身份不可对齐和小样本均可能削弱效果。一个可证伪的小实验是在具备稳定单元追踪的记录中，用部分条件训练，测试留出条件下的神经元类型预测，并比较真实身份配对与打乱身份配对。已有 EEG 相关工作尚未检索确认。