---
title: "神经雪崩与临界性：幂律什么时候会误导互动实验｜Sandbox Physics"
description: "雪崩大小服从幂律分布，就能说明网络处在临界状态吗？不能。"
canonical_url: "https://sandboxphysics.com/zh/labs/neural-avalanche-criticality/"
language: "zh-CN"
page_type: "lab"
alternate_languages:
  en: "https://sandboxphysics.com/labs/neural-avalanche-criticality/"
last_modified: "2026-10-31"
---

FR42 · 神经统计物理

# 神经雪崩与临界性：幂律什么时候会误导

**雪崩大小服从幂律分布，就能说明网络处在临界状态吗？** 不能。接近临界的网络确实给出指数接近二分之三的幂律雪崩分布；但没有耦合、只共享慢输入的单元同样能通过幂律检验，并给出接近 1 的分支比估计。只有因果检验，比如踢动一个单元再数随后的放电，才能把真正的级联和模仿者分开。

用电极阵列记录模拟网络中的级联。没有耦合、只共享慢输入的单元，同样能给出可信的幂律和接近 1 的分支比估计。

> 交互仿真：在浏览器中打开本页，即可调整参数并运行模型。

模型假设

1000 个二值单元排成薄层：每个峰电位在下一步以分支参数十分之一的概率，激活与它相连的十个邻近单元中的每一个，单元不能连续两步放电，随机外部输入不断引发新的级联。品红色阵列记录一块单元。雪崩是记录中连续非空时间箱组成的片段。幂律拟合采用 Clauset、Shalizi 与 Newman（2009）的离散最大似然方法；分支比估计采用 Wilting 与 Priesemann（2018）的多步回归。模仿预设关掉耦合，改给单元一个漂移的或共享的慢输入。踢动检验在静默网络中让一个被记录的单元放电，再数随后的放电；只有在模拟里才能干净地做这件事。全部为模拟结果。

记录到的雪崩大小与幂律拟合

不同滞后的回归斜率与多步拟合

因果检验：在静默网络中踢动一个单元后记录到的峰电位

更多数值与计算方法

- **拟合的下截断与范围**: $0$
- **朴素检验：接近二分之三的可信幂律**: $0$
- **传统的一步斜率**: $0$
- **对全部单元的多步估计（模型真值）**: $0$
- **每次踢动引发的全网峰电位（模型真值）**: $0$
- **阵列覆盖的单元**: $0$
- **分析的记录**: $0$
- **时间箱**: $0$

大小分布图、拟合和斜率只用记录到并分箱后的峰电位。踢动检验和全网估计需要用到模型本身，标为模型真值。导出文件包含分箱记录、雪崩大小、拟合结果和踢动响应。

物理教程

## 幂律不能证明临界

**背景** 脑组织的记录里有一阵阵的活动爆发，称为雪崩，其大小跨越好几个数量级。处在临界点的分支过程预言了指数为二分之三的幂律，所以拟合出的幂律常被当作临界性的迹象。

**为什么值得理解** 这个推断是倒着走的：从部分记录的统计量去推产生它们的动力学。在真值已知的模拟里检验哪些分析会被骗、被什么骗，是最干净的做法。

先抓重点

- **核心问题**: 雪崩大小服从幂律分布，就能说明网络处在临界状态吗？
- **一句话直觉**: 接近临界点的耦合网络给出接近 $s^{-3/2}$ 的大小分布。完全没有耦合、只共享一个慢输入的单元，同样给出可信的幂律和接近 1 的分支比估计。踢动一个单元就能把它们分开：耦合网络回应约一百个记录到的峰电位，模仿者只有被踢的那一个。

### 核心数学模型

#### 临界分支过程

$$
P(s)\simeq\sqrt{\tfrac{2}{\pi}}\;s^{-3/2}\quad(m=1,\ \text{binary branching, odd }s)
$$

对临界点上的二元分支，Zapperi、Lauritsen 与 Stanley（1995）推导出这个大尺寸尾部。低于临界点时会出现指数截断。

#### 离散最大似然指数

$$
\hat\alpha\simeq1+n\Big[\sum_{i=1}^{n}\ln\frac{s_i}{s_{\min}-\tfrac12}\Big]^{-1}
$$

只有 $s_i\ge s_{\min}$ 的雪崩参与拟合。拟合优度 $p$ 大于 0.1 表示幂律没有被否定，而不是被证明。

#### 多步回归

$$
r_k=\frac{\operatorname{Cov}(a_{t+k},a_t)}{\operatorname{Var}a_t}=b\,m^k
$$

亚采样把每个斜率都乘以同一个因子 $b$，所以拟合随 $k$ 的衰减就能找回 $m$。但任何让活动在时间上相关的慢输入，也会给出 $m\approx1$。

### 常见难点

#### 拟合得好不等于找到机制

**容易误解** 只要幂律检验通过，网络就一定是临界的。

**正确理解** “共享慢输入”预设完全没有耦合，但它的拟合在两个多数量级上给出 $p\approx0.9$。

#### 指数取决于怎么看

**容易误解** 雪崩指数只是网络自身的性质。

**正确理解** 从同一个接近临界的网络中只记录 1000 个单元里的 20 个，拟合指数就从约 1.46 变成约 3.1，一步斜率也降到约 0.49。

### 动手实验

1. 01

   #### 记录接近临界的级联

   让第一个预设运行，看大小分布图逐渐填满。

   **你会看到：** 拟合指数约为 1.46，多步估计约为 0.985。踢动一个单元，连它自己在内共记录到约 97 个峰电位。

2. 02

   #### 关掉耦合

   选择“共享慢输入，没有耦合”。

   **你会看到：** 拟合依然可信，只是 $\hat\alpha\approx2.1$，多步估计升到约 0.997。现在踢动只产生一个峰电位，就是被踢的那个单元自己。

3. 03

   #### 只记录一角

   选择“少数电极看到的很少”，再拖动阵列或它的角。

   **你会看到：** 网络还是那个接近临界的网络，指数却变成约 3.1。把阵列放大，它又回到 1.5 附近。

物理结论

雪崩统计是网络、输入、阵列和分析方法共同决定的。幂律可以支持临界性，却不能确立它；能区分耦合与共享驱动的，是因果扰动。

## 相关实验与文章

神经元的统计物理 · 阅读路径

### 从带电的细胞膜到神经网络里的雪崩

这条阅读路径里用到本实验的文章，后面跟着它们推荐的其他实验。

1. [文章 **分支过程怎样产生神经雪崩，部分记录又看到什么**](https://sandboxphysics.com/zh/stories/neural-statistical-physics/from-neurons-to-a-recording/)
2. [文章 **幂律为什么不能证明大脑处在临界点**](https://sandboxphysics.com/zh/stories/neural-statistical-physics/when-a-power-law-misleads/)

场、流体与物质 · 入门路径

## 从电场到电子显微镜

先看懂电场、学会操控带电粒子，再算出电子的波长，用电子束观察晶体和表面。

[从这里开始 → **看见电场** 在偶极子周围移动探针，看电场是不是总指向电势地形的下坡方向。 观察 · 8 分钟](https://sandboxphysics.com/zh/labs/electric-field/)

1. [1 看见电场](https://sandboxphysics.com/zh/labs/electric-field/)
2. [2 电荷在场中转弯](https://sandboxphysics.com/zh/labs/charged-particle/)
3. [3 电子波长与加速电压](https://sandboxphysics.com/zh/labs/electron-wavelength/)
4. [4 电子衍射与倒空间](https://sandboxphysics.com/zh/labs/electron-diffraction/)
5. [5 TEM 明场、暗场与选区衍射](https://sandboxphysics.com/zh/labs/tem-mode-selector/)
6. [6 SEM 二次电子表面形貌](https://sandboxphysics.com/zh/labs/sem-topography/)

[查看完整路径 →](https://sandboxphysics.com/zh/topics/fields-and-matter/#starter-path)