用“达勒反向传播”和结构优化法打造更接近生物大脑的神经网络

循环神经网络（RNN）是模拟大脑皮层功能的重要工具，但其传统结构在生理和解剖学真实性上存在不足，影响了所得结论的有效性。本研究开发了基于数学原理的方法，将戴尔定律（神经元仅具有兴奋性或抑制性作用的生物学原则）和高度稀疏的连接模式同时整合到RNN训练流程中，使受约束模型的性能在实验上与无约束RNN相当。

具体而言，研究提出了“戴尔反向传播”（Dale’s backpropagation）方法，通过修改标准反向传播过程，在训练中强制权重满足兴奋性神经元非负、抑制性神经元非正的符号约束，并从理论上证明了其在特定条件下的线性收敛性。随后，采用“拓扑感知概率剪枝”（top-prob pruning）方法，基于拓扑原理保留高强度连接，将密集网络修剪为目标稀疏连接模式，再通过戴尔反向传播重新训练稀疏子网络。这两种方法易于实现且具有生物学合理性，模拟了突触发育中先形成大量连接再修剪弱连接的过程。

在验证方面，该方法在神经科学启发任务（如1位触发器、波形重建）和机器学习任务（如序列MNIST）上表现与传统RNN相当，甚至收敛更快。将其应用于小鼠视觉行为的双光子钙成像数据时，研究构建了具有细胞类型特异性连接约束的RNN模型（CelltypeRNN），以重建跨多个皮层 layers 和脑区的神经活动。结果表明，模型推断的多区域神经交互在长、短时间尺度上均与预测编码理论一致：例如，视觉刺激变化时，前馈连接增强以传递预测误差；反馈连接则根据预测是否符合实际动态调整，且不同细胞类型（如VIP神经元）在处理预测违反（如刺激缺失）中发挥特定作用。

综上，该研究提供了构建兼具生物学真实性和高性能的RNN工具，为揭示大脑皮层电路的功能连接机制（如预测编码）提供了新视角。