日本团队在《Nature Communications》2025 年 16 卷发表《 State-space kinetic Ising model reveals task-dependent entropy flow in sparsely active nonequilibrium neuronal dynamics 》，提出状态空间动力学伊辛模型，实现神经元时变熵流估算。分析 37 只小鼠 V1 区数据发现，主动任务时神经元放电率降低（p=1.556×10−8）、耦合变异增强（p=6.421×10−4），总熵流显著降低（p=0.01159）；高性能小鼠单位放电熵流与行为表现显著相关（p=0.008），为大脑非平衡高效计算提供热力学证据。
大脑神经元的集体活动藏着认知与行为的核心密码，但传统方法难以捕捉其非平稳、非平衡的动态特性。日本北海道大学与京都大学团队在《Nature Communications》发表突破性研究，提出状态空间动力学伊辛模型（state-space kinetic Ising model），首次实现神经元熵流的时变估算，揭示任务状态下稀疏放电与高效计算的关联，为解析大脑热力学计算机制提供全新工具。
一、神经元动力学研究的 “认知瓶颈”
神经元群体活动是典型的非平衡系统，时刻与环境交换能量，其时间不对称性（不可逆性）是维持认知功能的关键，但研究面临多重挑战：
动态特性难捕捉：神经元的放电率、细胞间耦合强度随任务状态动态变化，传统稳态模型无法适配；
熵流估算复杂：熵流作为非平衡系统的核心指标，反映能量耗散与组织维持的平衡，直接从 spike 信号估算需处理高维联合概率，计算成本极高；
功能关联模糊：神经元活动模式（如稀疏放电）与行为表现的热力学关联尚不明确，难以量化高效计算的物理基础。
以视觉任务为例，小鼠主动执行任务时神经元放电更稀疏，但这种 “节能模式” 如何支撑精准认知，此前缺乏定量解释。
二、AI 模型的 “破局方案”：状态空间 + 平均场理论
图1 双神经元状态空间动力学伊辛模型验证
研究团队整合状态空间方法与动力学伊辛模型，构建兼具灵活性与高效性的分析框架，核心突破包括：
2.1 状态空间动力学伊辛模型：追踪时变参数
模型分为观察模型与状态模型，核心公式描述神经元放电的条件概率：
其中θi,t为时变外部场参数（反映神经元固有兴奋性），θij,t为时变耦合参数（反映神经元间因果作用）。通过期望最大化（EM）算法优化超参数，实现对这些时变参数的贝叶斯推断，精准捕捉神经元互动的动态变化。
2.2 平均场熵流估算：降低计算复杂度
针对熵流估算的高维难题，提出平均场近似方法，将熵流分解为正向与反向条件熵之差：
通过高斯积分近似条件熵，无需遍历高维状态空间，在保证精度的同时将计算效率提升一个数量级，实现时变熵流的高效追踪 —— 熵流为正则表明系统通过耗散维持有序结构，是大脑非平衡动力学的核心特征。
2.3 模型验证：兼顾精度与可行性
模拟数据验证：对 2-12 个神经元的网络，模型估算的时变参数与真实值高度吻合，相关系数接近对角线分布；
计算效率优势：80 个神经元、550 次试验的数据分析仅需约 1 小时，满足实际神经数据处理需求；
误差可控：随试验次数增加，场参数与耦合参数的均方根误差（RMSE）持续降低，数据量充足时误差小于 0.2。
三、关键发现：任务状态下的神经元 “节能高效” 法则
图2 主动 / 被动任务状态下神经元放电率分布与耦合参数对比
将模型应用于 37 只小鼠的初级视觉皮层（V1 区）数据，对比主动执行视觉检测任务与被动回放刺激两种状态，得出突破性结论：
3.1 任务状态：稀疏放电 + 强耦合变异
图3 主动 / 被动状态下模型参数统计
主动任务时，神经元平均放电率显著降低（p=1.556×10−8），放电分布更稀疏（变异系数显著升高，p=8.35×10−8），实现 “节能模式”；
同时，神经元间耦合参数的变异性显著增强（p=6.421×10−4），因果互动更具多样性，为复杂信息处理提供基础。
3.2 熵流：高效计算的 “热力学指标”
图4 主动 / 被动状态熵流动态（左）与总熵流统计（中）、耦合相关熵流统计（右）
主动任务时总熵流显著降低（p=0.01159），但耦合相关熵流与被动状态相当 —— 稀疏放电减少能量消耗，而强耦合变异维持信息处理能力；
高性能小鼠表现出更高的 “单位放电熵流”（主动 vs 被动状态差异与行为表现显著相关，Spearman r=0.250，p=0.008），表明其神经元以更低的能量消耗实现更高效的计算。
图5 单位放电熵流差异与小鼠行为表现的相关性散点图
3.3 模型扰动验证：揭示耦合的关键作用
通过参数缩放（θ→βθ）的扰动分析，发现主动状态下耦合驱动的熵流在低增益区间（β∈[0.2,1.0]）显著高于被动状态（p=1.455×10−10），证实耦合变异是任务状态下高效计算的核心驱动力。
四、研究价值：从神经编码到脑科学应用
该研究的突破为脑科学提供全新视角与工具：
理论层面：首次量化非平稳神经元动力学的熵流变化，建立认知功能与热力学耗散的关联，深化对大脑 “非平衡计算” 本质的理解；
方法层面：提供兼具精准性与效率的时变参数推断与熵流估算工具，可推广至 EEG、ECoG 等多尺度神经数据；
应用前景：为神经疾病诊断（如认知障碍）提供潜在生物标志物，为人工智能（如稀疏编码神经网络）提供脑启发设计思路。
五、总结
状态空间动力学伊辛模型的提出，突破了传统方法对神经元非平稳、非平衡特性的建模局限，其平均场熵流估算方法解决了高维计算难题。研究揭示的 “稀疏放电 + 强耦合变异” 法则，阐明大脑通过热力学优化实现高效计算的核心策略 —— 高性能个体的神经元能以更低能耗完成复杂信息处理，为理解认知与行为的物理基础开辟新路径。未来，该框架有望拓展至学习、记忆等更复杂认知过程，进一步解锁大脑的计算奥秘。
原文链接：https://www.nature.com/articles/s41467-025-66669-w | 
