摘要：德国法兰克福恩斯特·施伦曼研究所（Ernst Strüngmann Institute）的Wolf Singer领导的研究团队在理解大脑基本过程方面取得了新突破。他们首次提供了令人信服的证据，表明大脑特有的节律模式在信息处理中起着至关重要的作用。尽管这些振荡动

图片来源：ESI

德国法兰克福恩斯特·施伦曼研究所（Ernst Strüngmann Institute）的Wolf Singer领导的研究团队在理解大脑基本过程方面取得了新突破。他们首次提供了令人信服的证据，表明大脑特有的节律模式在信息处理中起着至关重要的作用。尽管这些振荡动态长期以来已在大脑中被观察到，但其具体功能一直是个谜，直到现在。

研究介绍

这项研究有可能彻底改变我们对大脑活动的理解。通过计算机模拟，研究人员展示了具有振荡节点的循环网络比非振荡网络表现出更好的性能，并复制了许多实验观察到的现象。

这些发现表明，振荡动态不仅仅是附带现象，而是大脑高效计算所必需的。该研究成果发表在《美国国家科学院院刊》上。

此外，研究表明，在网络参数中引入异质性（如不同的振荡频率和传导延迟）进一步提升了网络性能。这表明生物网络中观察到的异质性不仅是自然不精确的结果，而是一种优化的计算基质特征，用于高效处理高度变化的刺激属性。

“我们的发现挑战了关于大脑动力学的传统观点，这种观点通常假设信息处理是相当局部化的。”该研究的第一作者Felix Effenberger说，“相反，我们认为大脑利用波来进行高度分布和平行化的计算。这种基于波的响应产生的干涉模式促进了整体表示和高度分布的编码，涵盖空间和时间关系。”

研究方法

研究人员提出了神经元动力学的一种新颖解释，认为网络充当生成和传播波的介质，而不是像当前神经生物学理论所假设的那样，作为一个具有明确定向信号流的复杂电路板，就像传统数字计算机一样。

该研究的作者认为，大脑利用波的叠加和干涉模式以高度分布的方式表示和处理信息，利用耦合振荡器网络的独特特性，如共振和同步。

“这是我们对大脑如何进行计算理解的一个重大进步。”研究资深作者Singer说，“所提出的计算策略非常适合需要同时评估大量嵌套关系的认知功能，这些关系涉及空间和时间刺激特征之间的联系。”

“要理解视觉场景和语言，必须解决这类任务。此外，所提出的计算策略为解决‘绑定问题’提供了一种机制，确认了特征绑定——即对象特征的联合评估——可以通过同步振荡响应来实现的假设。”

研究未来

除了对神经科学的重大贡献外，这些发现还为开发新型节能芯片用于人工智能铺平了道路——例如，在开发新的、更加节能的技术组件方面。作者建议摒弃传统的数字设计，提倡受大脑动态过程启发的模拟芯片。

他们还指出，他们的发现可以指导新一代AI系统的发展，这些系统将更加稳健、节能，并且更擅长在较小的数据集上学习。这项研究大大增强了我们对大脑如何处理信息的理解，并为神经科学和人工智能的新研究机会开辟了道路。

新闻来源：美国国家科学院院刊

论文参考：DOI：10.1073/pnas.2412830122

来源：启真脑机智能基地