神经群体几何：一种理解生物与人工神经网络的方法

实验神经科学的进展改变了我们探索神经环路结构与功能的能力。与此同时，机器学习的进展释放了人工神经网络（ANNs）非凡的计算能力。尽管这两个领域拥有不同的工具与应用，它们提出了相似的挑战：即理解信息如何通过高维表征被嵌入与处理以解决复杂任务。应对这一挑战的一种方法是利用数学与计算工具分析这些高维表征的几何结构，即神经群体几何。我们回顾了若干几何方法提供对生物与人工神经网络功能洞察的实例：感知中的表征解缠、分类能力的几何理论、认知系统中的解纠缠与抽象、认知地图背后的拓扑表征、运动系统中的动态解缠，以及一种认知的动态方法。这些发现共同阐释了机器学习、神经科学与几何交叉处的一个令人振奋的趋势，其中神经群体几何提供了任务实现背后有用的群体水平机制描述符。重要的是，几何描述适用于跨感觉模态、脑区、网络架构与时间尺度。因此，神经群体几何有潜力统一我们对生物与人工神经网络结构与功能的理解，弥合单个神经元、群体与行为之间的鸿沟。