脑状态信息存在哪里取决于动力学复杂度:工作记忆靠轨迹,关系推理靠时间平均
同一套学习到的脑动力学模型可以同时给出时间平均连接和轨迹几何两种表示,而哪一种携带区分认知条件的信息,随脑动力学复杂度改变。在人类连接组计划年轻成人队列的八个条件上,完整模型分类准确率为97.4%;把时间平均表示置零后,仅靠轨迹的分类准确率从工作记忆的93.4%降到关系推理的0.0%,与标签置换零假设无法区分。在老化队列的四个条件上,时间平均表示承担了大部分判别信息,但高复杂度与低复杂度条件之间的对比仍然保留。
同一套学习到的脑动力学模型可以同时给出时间平均连接和轨迹几何两种表示,而哪一种携带区分认知条件的信息,随脑动力学复杂度改变。在人类连接组计划年轻成人队列的八个条件上,完整模型分类准确率为97.4%;把时间平均表示置零后,仅靠轨迹的分类准确率从工作记忆的93.4%降到关系推理的0.0%,与标签置换零假设无法区分。在老化队列的四个条件上,时间平均表示承担了大部分判别信息,但高复杂度与低复杂度条件之间的对比仍然保留。
从多脑区同时记录中区分“脑区自身的动力学”和“外部输入”一直很难,因为同一段活动可以由多种动力学与输入组合产生。DynISys 把每个记录脑区建成独立的低维动力系统,脑区间通信只经少量显式通道,并用可逆读出把潜状态映射到放电率。在两只猴的 PMd 与 M1 同步记录上,它每区仅用 8 维潜状态就达到 MR-LFADS 每区 128 维的 PSTH 重建水平,且推断出的 PMd→M1 通信时序与目标信息由 PMd 传向 M1 的假设一致。
多数机器人策略在离散控制步上直接输出动作值,把物理运动的连续性留给数据隐式学习。ODE Policy 改用一个神经常微分方程学习动作的向量场,在部署时由上一个动作积分出下一个动作,使轨迹在构造上连续。在 LIBERO 上训练一个 epoch 后,它取得 79.2% 的成功率,而基线最高为 43.2%;作为 VLA 与 ImageWAM 的动作头以及 SuperMimic 的 actor 时也保持这一早期优势。
作者提出HyperNSDE,一个连续时间生成模型:用HI-VAE编码异质静态协变量,再通过超网络把静态潜表示映射为个体化漂移参数,驱动一个潜神经SDE,并用潜状态依赖强度过程联合建模观测时间,训练上采用确定性—随机路径分解与签名核目标;在模拟数据和VELOUR、PPMI两个真实队列上,它取得更好的观测时间保真度与若干分布和隐私指标,而预测与相关性指标表现不一,受观测网格规则性和轨迹平滑度影响。
该工作把ASTEC严重事故程序中容器(CESAR与ICARE耦合)的物理过程解耦出来,用自编码器做降维、用神经常微分方程在潜空间推进时间,基于SBO与LOCA两类事故各训练一个代理模型,可同时预测约80个标量与场变量,自回归稳定推进1万至5万时间步(约4至40小时),自编码器把1913个自由度压缩到6维(约332倍),全时空预测在CPU与GPU上均不到一分钟,LOCA算例中CPU平均约26.5秒、GPU约18.9秒,相对ASTEC仅ICARE模块的16879.8秒平均时间约快640倍。
已读完全部报道