继续阅读
当前页面幂律为什么不能证明大脑处在临界点
神经元的统计物理 · 阅读路径
上一章算出,处在临界点的分支过程给出指数为二分之三的雪崩大小分布。实验里常常反过来推:记录到的雪崩接近幂律,于是认为大脑处在临界点。本章检查这条推理。先把幂律拟合做对,再在真值已知的模拟里看哪些检验会被骗、被什么骗,最后看一篇预印本对“拟合出的模型总靠近临界点”给出的另一种解释。
在双对数坐标上画直线不是检验。Clauset、Shalizi 和 Newman 给出的做法分三步:对每个候选下限 用最大似然估计指数,选让数据与拟合分布之间 Kolmogorov–Smirnov 距离 最小的下限;再用同一分布生成许多组合成数据,看其中有多大比例的距离比实测的还大,这个比例就是拟合优度的 。 表示幂律没有被否定,并不表示它被证明了。
离散数据的指数有一个近似公式,见下式,他们报告在 大约 6 以上时准确到 1% 左右。我们用已知指数的合成数据检验了 Lab 用的拟合,每种 40 组、每组 3000 个:真值 1.5 时得到 ,真值 2 时 ,真值 2.5 时 。最后一种偏低 4.5 个标准误,因为这时选出的下限中位数只有 3,低于近似公式适用的范围。
Lab 的 值有一处简化:合成数据沿用实测数据选出的下限,而原方法对每组合成数据都重新选下限。合成数据少了这一步优化,距离普遍偏大,所以 Lab 的 值比原方法宽松。
Touboul 和 Destexhe 发现,对随机信号设一个阈值,或者把记录打乱得到替代信号,都能出现类似神经雪崩的标度;双对数图上的直线经不起检验。Priesemann 和 Shriki 进一步说明:速率恒定的 Poisson 过程不会给出幂律,但只要输入速率在几档之间切换,雪崩大小就会在有限范围内接近指数约为 3/2 的幂律。Morrell、Sederberg 和 Nemenman 则让彼此独立放电的神经元共享几路缓慢变化的输入,重现了此前被当作临界迹象的粗粒化标度。
Lab 里有两个这样的模仿者,单元之间完全没有耦合。共享慢输入的那个,在默认阵列和 4 步箱宽下给出 ,,覆盖 2.7 个数量级;多步回归给出 0.997。漂移输入的那个,多步回归给出 1.000。
多步回归被骗的原因很直接:它只看活动在时间上相关多久,而缓慢变化的输入本身就让活动长时间相关,不需要任何单元去点燃别的单元。Priesemann 和 Shriki 的结论是,被动分析排除不了一个恰好模仿临界活动的外部驱动,需要小而可控的扰动。
来源:J. Touboul and A. Destexhe · V. Priesemann and O. Shriki · M. C. Morrell · J. Wilting and V. Priesemann
为了看每种检验各会被什么骗过,我们取 4 个真值已知的模型:接近临界的耦合网络、亚临界的耦合网络,以及漂移输入和共享慢输入两个无耦合模仿者。每个模型用 3 种电极阵列(覆盖 60.8%、10%、2% 的单元)、3 种箱宽(1、4、8 步)和 10 个随机种子各分析一次,共 90 次。
幂律可信( 且至少 1.5 个数量级):接近临界的网络 0.178,共享慢输入 0.378,漂移输入 0.022,亚临界 0。共享慢输入通过的次数是真正接近临界的网络的两倍多。真正接近临界的网络有 82% 的分析没有通过:用 10% 和 2% 阵列的 60 次全部失败;用最大的阵列,箱宽 1、4、8 步时 10 次中分别通过 3、8、5 次。反过来,没有通过幂律检验,也说明不了网络不临界。
幂律可信并且指数在 1.5 加减 0.2 之内,这个朴素判据只有接近临界的网络通过,比例 0.178;两个模仿者那些可信的拟合,指数都在 1.75 到 2.74 之间。多步回归不低于 0.95:两个模仿者每次都通过,接近临界的网络 0.433,亚临界 0。
最后一项是干预:暂停外部输入,踢动一个被记录的单元,看平均记录到的峰电位是否多于 2 个。接近临界的网络 90 次全部通过,两个模仿者一次都没有,亚临界网络 0.667。踢动能区分有没有耦合;要判断离临界多近,还要看一次踢动在整个网络里点燃多少峰电位。
来源:A. Clauset · V. Priesemann and O. Shriki · J. Wilting and V. Priesemann
另一类证据来自最大熵模型:只用每个神经元的平均活动和两两相关拟合出一个 Ising 型模型,常常发现参数落在相变附近。Carcamo 和 Lynn 2026 年的预印本给出一种解释。在只保留平均活动 和相关强度 的 Curie–Weiss 模型里,参数空间中靠近临界的一小块,对应统计量空间里很大一片;神经元越多,这一片越大。于是从数据反推参数时,模型自然挤向临界线,不需要精细调节。
我们只在模型上检查了他们的式 (3),没有重新分析任何记录。取 、,这已超过平均场理论允许的上限 0.712。精确求解反问题:、100、1000 时 为 1.478、1.374、1.371,都大于临界值 1; 为 、、,随 增大趋于 0,也就是趋向临界线。式 (3) 的双势阱近似给出的 误差从 1.8% 降到 0.29%。
原文第 11 页说推出的耦合超过临界强度,括号里却写成 。按式 (3), 对所有 都不小于 1,而这个模型的临界强度是 1,所以应读作 。Carcamo 和 Lynn 的结果目前只有预印本,还没有经过同行评审。
题目。Lab 默认记录中,选出的下限是 ,不小于它的雪崩有 场,,最大的一场 7461,拟合优度 。求指数和误差,判断幂律是否可信。再把共享慢输入的模仿者做一遍:,,求和为 572.08,最大 5401,。最后用踢动结果下结论。
建模。用上式的近似最大似然和误差公式;覆盖的数量级数是最大值与下限之比的常用对数。
计算。默认记录:,,覆盖 个数量级,,幂律可信,指数离 1.5 只差 0.04。模仿者:,,覆盖 个数量级,,幂律同样可信。
解释。两份记录都通过了幂律检验,区别只在指数。踢动给出决定性的差别:默认网络里,每次踢动平均记录到 97 个峰电位,整个网络里 155 个,对应级联比 ;模仿者每次只有被踢的那一个。前者是接近临界的耦合级联,后者根本没有级联。
检验。算出的两个误差 0.0104 和 0.0444 与 Lab 读数一致。如果模仿者的指数恰好接近 1.5,幂律检验和指数都分不开两者,只剩踢动。
一份记录在下限以上有 500 场雪崩,拟合指数 1.5。统计误差是多少?要把误差降到 0.005,大约需要多少场?
;由 得 。这里只算了统计误差,选下限和离散近似带来的系统误差另算。
为什么让合成数据沿用实测数据的下限,会让拟合优度的 p 值偏宽松?
实测数据的下限是专门挑来让距离最小的。合成数据如果不再挑下限,它们的距离普遍偏大,比实测距离更大的比例就偏高,p 值也就偏大。原方法对每组合成数据也重新挑下限,两边受到同样的优化。
Lab 的亚临界网络里,一次踢动平均在整个网络中点燃 4.84 个峰电位。对应的级联比是多少?与对全部单元做多步回归得到的约 0.79 比较。
,与 0.79 一致。在亚临界网络里,安静时的单次级联和持续活动中的分支比差别不大;接近临界时撞车更多,两者相差较大(0.9936 对 0.9855)。
用预印本式 (3) 计算 、、 时的 和 。
,,。精确解是 1.3715 和 , 相差 0.29%。
v3,读了正文第 1 至 3 页,未读补充方法。带外部驱动的分支过程;传统估计量是下一步计数对当前计数的回归斜率;欠采样让每个滞后斜率乘上同一个因子;多步回归估计量在多个滞后上拟合这条指数曲线。文中的例子:m = 0.9 的过程只采 10 % 时,传统估计给出 0.312。
读了引言、结果和讨论,未读方法部分。如何从分箱后的事件定义雪崩。恒定速率的 Poisson 过程不会给出幂律;速率在几个值之间切换时,大小分布在有限范围内接近指数约 3/2 的幂律。能区分两者的统计量;以及他们的结论:被动分析排除不了模仿临界活动的外部驱动,需要小而可控的扰动。
v2,部分阅读:摘要、框 1、第 3.1 节离散最大似然、第 3.3 节用 Kolmogorov–Smirnov 距离选下限,以及第 4 节中关于 p 值的部分。带半整数修正的离散近似指数;p 大于 0.1 只说明幂律可信,不说明已被证明;p 值大也不能说明数据就是幂律。
v3,部分阅读:摘要、引言和部分方法。双对数图上的直线不是可靠的检验;对随机信号设阈值,或把数据打乱后得到的替代信号,都可能出现类似的标度。
v1,读了摘要和模型部分。只要几路缓慢变化的共同输入,各自独立放电的神经元就能重现粗粒化下的标度,而这种标度此前被当作临界性的迹象。
v1,全文已读。拟合多神经元记录的模型往往靠近临界点,原因是参数空间里一小块区域对应统计量空间里很大一片;神经元越多,这种效应越强。他们的平均活动模型由式 (3) 给出拟合场和耦合的双势阱近似。作者说神经元数约 100 以上时,它收敛到精确参数。我们精确求解了同一个反问题来对比。第 11 页说拟合出的耦合超过临界强度,却写成耦合至少为 0;这个模型的临界强度是 1,我们按至少为 1 理解。
当前页面幂律为什么不能证明大脑处在临界点
神经元的统计物理 · 阅读路径