究竟什麼是「神經雪崩」？為什麼要發生？一項為了更好理解大腦運轉的最新研究

神經雪崩就是指神經大範圍同步發電，這種現象被認為與學習和記憶能力有關。然而，類似「你的大腦遭受神經雪崩 」 這種臨床診斷未來應該得到重視。

治療神經雪崩的關鍵是，要從大量的神經遞質中識別出特定的神經元。然而，不幸的是，這種神經雪崩出現在每個人的大腦中。事實上，只有大腦死亡後神經雪崩才會停止發生。

從根本來說，在大腦中發生的神經雪崩是一種不需要外界觸發因素，而能誘發大量神經元級聯活動的活動，並且基本上不為人所察覺。

那麼它們為什麼要發生呢？一直以來，人們認為它們存在應該多多少少對人體有些幫助，然而，近來的研究發現，雪崩的發生可能只是一種附帶品。

神經元為什麼產生級聯？

從一個層面說，大腦神經雪崩的原因相當簡單並且非常沒有啟發性。大腦並不是線性的——如果在正確的時間，正確的神經元被激活，它可以觸發它所連結的神經元不成比例的反應。這些神經元接下來則觸發更大的反應，最終形成一個快速傳播，範圍廣的級聯。

但是，這種解釋，雖然聽起來很正確，事實上並沒有說明所有問題。例如，為什麼這些現象會被允許發生。試設想，如果電腦發生這樣雪崩式的級聯活動，系統肯定會崩潰。因此，也許在級聯活動中，部分大腦也會功能崩潰。

這聽起來不是一件好事，所以你可能會期望雪崩提供了一些優勢。也許它們能提高計算能力？也許它們是學習太快時產生的不良後果？

一般來說，有兩種方法可以用來弄清楚這種現象。其一，有些人知道神經元看起來是什麼樣的，並且基本能正確辨認出大腦組織，因此他們可以通過檢測大腦到底是如何工作來研究神經元級聯；其二，對於物理學家，他們不會也不能通過上述方法來研究，因此他們使用數學模型來替代。這些模型在各種條件下被廣泛測試。

為什麼這些模型有用？

我們對這些相對簡單的模型的信心可以追溯到固體物理學和相變的思想。相變是指冰融化成液態水，或者磁體在被加熱時失去磁性。從物理的角度而言，不同的相變之間差別很大。

然而，描述這些相變過程是如何發生的數學模型與這些例子有著不可思議的相似之處：它們都有一個關鍵臨界點。在臨界點一邊，內容表現為一種形式；在另一邊，則表現為另一種形式。

事實證明，這個想法比相變適用範圍更廣：例如滴水龍頭，動物種群，化學反應，市場行為等各種事物，似乎都可以被用於這種分析方法。當然，也包括大腦行為，比如癲癇就可以被這些模型很好地闡述。

現在讓我們繼續回到神經雪崩。舉個例子，神經雪崩現象其實和順磁相變過程中磁自旋的取向的行為非常相似。但是神經雪崩發生得相對頻繁些，這意味著大腦是在其關鍵臨界點附近行使功能的。研究人員認為，大腦在關鍵臨界點附近運轉可以明顯提高計算效率，從這個角度來說，神經雪崩是一種適應性行為。

然而，進化論中有一個觀點告訴我們，並不是所有存在的東西都會有好處。有的東西存在是由於基因漂移，另外有一些則是其他有用東西產生的附帶品。事實證明，這個觀點既可以描述神經雪崩的效用，也可以描述它們如何最終成為大腦的一個特徵。

接下來，到了一個物理學家談論進化論的時刻。讓人震驚的是，很多性狀不是通過自然選擇產生的，而是不經意間產生的。有些突變是有利的，而有些突變是不利的，但是大多數突變並沒有引起足夠大的不同而被注意到——它們是中性的。

中性突變可以在種群中傳播，因為它們或多或少與自然選擇的某種特徵相關聯。在恰巧的時間和正確的地方，中性突變也可能以雪崩方式蔓延。在遺傳學中中性突變表現出的種群動態學和臨界點現象一樣複雜，但是並不存在確切的臨界點。

如果我們能不借用臨界點的概念來理解種群遺傳學的這種行為，那麼我們也許也能正確地認知神經元級聯活動。

通過使用一種廣泛認可的神經元模型作為神經網路的一部分，研究人員試圖確定神經雪崩現象是否可以用中性行為來描述。模型參數都是眾所周知的，並且關鍵臨界點可以被很精確地表徵。接下來，根據神經元的連接方式以及神經元響應其他神經元的閾值，可以對不同類型的行為進行歸類。這正是一種涉及到真正神經元且幾乎不可能實現的實驗。

模型並不是萬能的

研究人員特地選擇了神經網路在非常活躍狀態（大量神經元頻繁發作）和低活動狀態（大量神經元不頻繁發作）之間不連續轉變的已知環境。在活躍狀態下，級聯或雪崩曾經被科研工作者觀察到，並且網路的活動與真實大腦中觀察到的行為一致。

然而，這個分析使用了一個不能用於實際觀察的技巧。研究人員通過搜索計算數據，以確定引發雪崩的神經元，並從中追蹤活動鏈，以確定雪崩的持續時間和大小。但是，在一個真實的測量中，你永遠不知道哪個神經元導致了雪崩——相反，你必須根據時間和時空接近度來分組神經元發射，以確定到底是哪個神經元引發了哪個神經元。

因此，模型中的神經元雪崩和真實大腦中的並不是完全相同的。如果你想要用計算機數據來預測，那看起來很糟糕。而且，我們並不清楚從計算機模型得出的其他信息是否具有相關性。

為了解決上面的問題，研究人員開發了一種具有幾個理想特徵的簡化模型。根據參數的變化，它可以有一個不連續的相變（從一個活躍狀態突然跳到一個靜止狀態）和一個連續的相變（活動率平穩地從一個狀態變化到另一個狀態，但是變化率呈現出突然跳躍）。

當然，附近有發生相轉變時，神經網路會呈現級聯活動。但是，重要的是，在附近沒有相轉變的時候，級聯活動也會出現。

鑒於大腦在臨界點附近運作的優勢，那麼大腦在中性區域運作是否有任何好處呢？研究人員提供了這方面的一些猜測。例如，在網路中神經元發射順序和強度可以用來編碼信息。研究人員推測，因為中性雪崩是有原因造成的（例如，每個神經元在觸發後觸發其他神經元），所以其可以用來了解最開始的發射活動，而這些活動可以用來編碼相關信息。

但坦率地說，這也是一切錯誤開始的地方。這個模型和其他一些模型一樣，為人們洞悉網路行為統計數據提供了一個很好的機會。

不幸的是，當將其與實際事實聯繫起來，比如識別一張臉或者增加兩個數字，這種模型是相當薄弱的。其優勢在於，這項研究可能提供了一些理解大腦學習方式的新途徑。但即使這樣做，也難以將真實神經元的研究與模型聯繫起來。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！