用人工神经网络学习生物神经元网络：神经振荡

基于第一性原理的建模在提供复杂生物功能与现象的关键见解和预测方面极为成功。然而，对于复杂生命系统，它们可能难以构建且模拟代价高昂。另一方面，现代数据驱动方法擅长对多种高维含噪数据建模。但这些数据驱动模型的训练与解释仍然具有挑战性。在此，我们结合两类方法来建模随机神经元网络振荡。具体而言，我们开发了一类基于第一性原理的人工神经网络，为大脑中神经回路产生的高维非线性振荡动力学提供忠实的替代模型。此外，当在参数选择范围内扩大训练数据集时，人工神经网络对这些参数变得可泛化，覆盖截然不同动力学机制中的情形。总之，我们的工作为用人工神经网络建模复杂神经元网络动力学开辟了新途径。