Connectome growth的自组织模型中的学习与临界性

脑网络的探索已迎来重要里程碑，已收集了来自不同物种的相对大规模且可靠的连接组信息。连接组数据集分析表明，结构长度以及入/出节点强度的分布遵循重尾对数正态统计分布，而功能网络属性表现出幂律尾部，暗示大脑接近临界点，处于计算能力和对刺激灵敏度最佳的状态。由于这些通用网络特征从底向上（自组织）涌现，可以提出问题：它们能否通过统计物理系统临界性的视角进行建模。本文同时再现了连接组边权重的幂律统计和节点强度的对数正态分布，基于具有学习功能的avalanche模型，其作用于模仿神经元电路的基线网络上。在模拟神经元通过分层模块网络（HMN）相连的沙堆式模型中，我们观察到产生稳健的幂律avalanche大小分布，临界指数为3/2，特征于神经系统。引入赫布式学习，其中“一起发放的神经元会一起接线”，可恢复边权重的幂律分布和节点度的对数正态分布，与从连接组数据中获得的结果相当。我们的结果进一步强化了“临界大脑”概念，即其局部相互作用驱动连通性和学习，无需外部干预或精确调谐。