自然·方法：Jaxley——可微分神經動力學的新范式

導語

在計算神經科學中，生物真實與可訓練性長期難以兼得：越精細的神經元模型，越難優化。發表于2025年11月的 Nature Methods 論文提出Jaxley，將自動微分引入神經動力學模擬，使包含離子通道與樹突結構的生物物理模型也能通過梯度下降進行優化。

這一方法為連接神經機制與計算功能提供了新路徑。與此同時，Nature同期評述也指出，其在帶來擴展性的同時，引入了新的計算權衡與方法挑戰。下文將結合論文與評述進行解析。

關鍵詞：神經動力學、神經元、可微分、自動微分、微分方程

郭瑞東丨作者

趙思怡丨審校

論文題目：Jaxley: differentiable simulation enables large-scale training of detailed biophysical models of neural dynamics 論文鏈接：https://www.nature.com/articles/s41592-025-02895-w 發表時間：2025年11月13日 論文來源：Nature Methods

Jaxley如何進行神經動力學建模

計算神經科學的核心問題之一，是如何構建既具備生物物理真實性、又能夠執行認知功能的神經元模型。理想情況下，這類模型不僅應復現實驗數據，還應解釋其計算功能。

然而，一個具有真實樹突結構的神經元模型通常包含數千維參數（如離子通道密度、突觸權重與形態學特征），而實驗中可觀測的數據往往僅限于膜電位或鈣信號的局部記錄。這種“高維參數—低維觀測”的不匹配，使得參數難以被唯一確定。

因此，傳統模型多停留在“復現電生理軌跡”的層面，而難以回答更關鍵的問題，例如：為何該神經回路能夠支持工作記憶等認知功能。

Jaxley基于Google的JAX框架構建，利用其自動微分（automatic differentiation,autodiff）能力，使得對任意生物物理參數（如鈉通道最大電導、樹突半徑）計算梯度成為可能（圖1a）；Jaxley可以模擬生物物理上詳細的神經系統，還可以執行反向傳播（圖1b）。其原生支持GPU/TPU并行，可同時處理成千上萬個刺激-響應樣本或參數配置（圖1c），將單次梯度計算的成本從"年"量級壓縮至"分鐘"量級（圖1e）。通過隱式Euler求解器處理剛性微分方程，Jaxley能模擬一個神經元（圖1d）以及多層神經網絡訓練中的神經電位（圖1f）。

圖1：可求導的模擬讓訓練生物物理神經元模型成為可能

Jaxley的關鍵創新在于引入梯度信息，從而為高維參數優化提供明確方向。傳統方法往往依賴隨機搜索或進化算法，在復雜參數空間中效率有限；而基于梯度的方法，則能夠利用局部導數信息進行高效更新。

一個直觀的類比是：優化過程類似于調整一臺復雜機械鐘的數千個齒輪。傳統方法如同“盲目試錯”，而梯度信息則相當于為每個齒輪提供了“靈敏度指示”，從而指導如何微調以減少整體誤差。

驗證Jaxley：

從單細胞擬合到十萬參數網絡訓練

研究者首先在單神經元建模任務中驗證了Jaxley的有效性。對于一個包含19個自由度的模型，梯度下降僅需9步迭代即可擬合目標電壓軌跡（圖2b），而達到相同精度的遺傳算法則需要近10倍的模擬次數（圖2c）。

當參數維度擴展至1390維（例如為每個樹突分支獨立優化通道密度）時，基于梯度的方法仍然能夠穩定收斂，而傳統無梯度方法則難以有效優化（圖2i）。此外，在包含非線性動力學的情形下，梯度方法依然表現出顯著效率優勢（圖2m）。

圖2：使用梯度下降法推斷單神經元模型。

在網絡層面，研究者構建了由20個霍奇金–赫胥黎（Hodgkin–Huxley）型神經元組成的循環網絡。每個神經元包含頂樹突和基樹突兩個分支，每個神經元裝備多種電壓門控離子通道（鈉、鉀、漏電流等）。通過稀疏連接的循環網絡，突觸采用基于電導的模型刺激施加于基樹突，循環突觸從胞體投射至頂樹突。

在證據積分任務中，該網絡成功學習到有效策略（圖3a–c）。即使時間跨度達500ms（2萬時間步），梯度下降仍成功優化出能準確分類的突觸權重（圖3d）。梯度下降可有效優化包含離子通道動力學的生物物理RNN，突破了傳統不使用梯度的參數規模限制，為大模型神經網絡動力學數據的擬合和建模奠定了基礎。

更令人印象深刻的是，該網絡展現出與傳統RNN相似的心理測量曲線，訓練后網絡自發趨向"混沌邊緣"動力學狀態，支持該狀態利于信息處理的理論，并暗示生物物理細節與計算功能之間可能存在可學習的映射（圖3e-f）。

圖3：Hodgkin–Huxley類型的神經元能完成RNN模型并執行工作記憶的任務

在更大規模實驗中，研究者構建了一個含64個形態學詳細CA1神經元、總計10萬可訓練參數的前饋多層網絡（圖4a），直接在MNIST手寫數字任務上端到端訓練。訓練完成的網絡在10 ms內完成從輸入到決策（圖4b）。完整傳播網絡達到94.2%的測試準確率，且對對抗樣本的脆弱性與傳統MLP相當（圖4c）。

圖4：訓練生物物理上詳細的網絡來解決計算機視覺任務。

對比訓練前后神經元的參數分布（圖4d），突觸電導 (gsyn1+gsyn2)范圍基本不變，僅分布形態微調；膜通道電導：仍圍繞初始生理范圍波動。這表明，性能提升主要依賴于參數之間的精細協同，而非單一參數的大幅變化。

當將訓練后的不同類型參數設為隨機值后，隨機去掉10%參數影響不大，說明參數存在冗余，但將隱藏層突觸權重或輸出層電導設為隨機時，識別準確率顯著下降，這說明特征提取依賴精確連接，且決策對輸出層動力學極度敏感（圖4e）。

此外，在輸入擾動測試中，該生物物理網絡的性能退化曲線與ReLU-MLP高度一致（圖4g），這意味著僅靠細胞機制不足以解決深度學習的安全挑戰，仍需算法層面的專門設計。

Jaxley把離子通道、樹突分支與突觸可塑性被置于可優化的框架中，讓理解生物學習過程中的神經動力學，并基于此設計優化算法變得可能。傳統神經建模多聚焦于“復現”已知數據，而Jaxley支持“任務驅動”的逆向設計，即先定義計算目標，再讓生物物理參數自適應優化。這為“功能-機制”的因果推斷提供了新路徑。有助于彌合分子/細胞層面測量與系統層面功能之間的解釋鴻溝。分析流程不需額外開發，即可使用。

Nature評述：

可微分模擬拓展生物物理神經模型的研究邊界

上述結果主要來自論文作者的實驗與分析。那么，從更宏觀的視角來看，這一工作在領域內意味著什么？Nature Methods 同期也配發了一篇評論文章，對Jaxley的意義與局限進行了更系統的梳理。

論文題目：Differentiable simulation expands frontiers for biophysical neural models 論文鏈接：https://www.nature.com/articles/s41592-025-02933-7 發表時間：2025年11月13日 論文來源：Nature Methods

Jaxley是一款可微分模擬器，它利用自動微分與GPU加速技術，使大規模生物物理神經元模型的優化成為可能。該方法獨特地將生物準確性與先進的機器學習優化技術相結合，從而實現高效的超參數調優，并在大規模尺度上探索神經計算機制。

理解神經元回路的動力學與行為，需要對神經元進行生物學上準確地建模1'2。包含離子通道、突觸及形態學細節的生物物理多尺度神經元模型，為連接細胞機制與網絡及行為動力學提供了一條強有力的途徑3。然而，模擬與優化此類精細模型的計算復雜度可能限制其應用，尤其是在長時間尺度上建模大規模神經元回路時。Deistler及其同事引入了Jaxley?，一款可微分模擬器，通過利用自動微分與GPU加速，顯著提升了生物物理神經元模型模擬與優化的效率與可擴展性（圖5）。

圖5：Jaxley的數據流，從實驗數據到優化后的神經網絡模型及行為。Jaxley在生物與計算尺度上整合可微分模擬。核心部分，Jaxley連接生物物理建模與學習的關鍵階段。從精細的單神經元模型出發，電壓軌跡被優化以匹配實驗數據，生成可可視化為時空激活熱圖的真實現實樹突與胞體動力學。這些神經元構成更大的循環回路，其參數通過GPU加速的梯度下降優化進行訓練。所得的多尺度網絡活動傳播至腦級表征，其中任務相關腦區被激活并驅動感知、決策或圖像識別等行為輸出。連接各框的箭頭強調了Jaxley所實現的生物真實性、計算效率與功能行為之間的閉環。

Jaxley加入了一個不斷壯大的GPU加速神經模擬框架生態系統。例如，BindsNET?利用強大的GPU引擎進行大規模脈沖神經元網絡模擬，但其采用的是傳統的無梯度優化方法，這限制了其在參數擬合任務中的效率，而Jaxley恰恰直接彌補了這一空白�；赑yTorch?的框架，如SpikingJelly?、snnTorch?和Norse?，率先開發了主要用于機器學習與神經形態計算應用的可微分脈沖神經網絡。

此外，被廣泛認為是精細多尺度神經元模擬標準工具的NEURON模擬器，其近期進展包括CoreNEURON1?——這是一個能夠高效利用CPU與GPU的模擬引擎。CoreNEURON顯著加速了大規模模擬，但與Jaxley不同，它目前不支持自動微分。因此，盡管CoreNEURON擅長高效模擬復雜模型，它仍依賴于傳統的優化方法，這限制了其在基于梯度的參數擬合任務中的可擴展性。

Jaxley在神經動力學建模中占據了一個獨特的生態位。它強調精細的生物物理建模（包括離子通道動力學、復雜形態學與隔室建模），并結合可微分計算。因此，Jaxley滿足了高性能可微分計算與對神經現象進行科學準確研究所必需在模型中包含的機制細節。

傳統上，研究人員依賴無梯度方法（如遺傳算法或基于擴散的進化11）來優化生物物理神經元模型。隨著參數數量的增加，這些方法因涉及的組合復雜度而變得計算上不可行。因此，包含數千至數百萬參數的真實神經元回路，長期以來難以實現高效優化。

在深度學習所帶來的革命性影響下，Deistler等人將可微分編程方法適配于生物物理建模。Jaxley能夠計算模擬結果相對于生物物理參數的梯度，從而實現高效的基于梯度的優化。結合GPU并行化，該方法顯著優于傳統優化方法，使大規模模型優化成為可能。

Deistler及其同事在多種場景中展示了Jaxley的能力。首先，Jaxley能夠高效優化單神經元模型，準確復現合成數據與實驗性膜片鉗記錄（patch clamp）。值得注意的是，作者從模擬的電壓記錄中推斷出詳細的樹突離子通道分布，凸顯了其在新興電壓成像技術中的應用潛力。

除了數據擬合，Jaxley還成功地在計算任務上訓練神經元與網絡，直接將生物物理細節與功能性能相連接。例如，作者優化了循環網絡中的霍奇金-赫胥黎（Hodgkin-Huxley）型神經元以執行工作記憶任務，展示了Jaxley建模真實神經元動力學與認知功能的能力。

值得注意的是，Jaxley訓練了一個包含超過10萬個生物物理參數的大規模網絡，用于對MNIST數據集中的圖像進行分類。這一結果通常僅見于簡化的人工神經網絡，凸顯了Jaxley突破性的可擴展性，為在大規模尺度上探索神經計算機制開辟了前所未有的機遇。

Jaxley獨特地將生物準確性與先進的機器學習優化技術相結合。盡管基于梯度的優化與生物學習過程存在差異，但經訓練的網絡仍保留了精細的生物物理真實性，并實現了人工神經網絡中常見的功能性能。因此，Jaxley提供了一種強大的計算捷徑，使我們能夠在無需窮盡生物參數調優的情況下，探索生物學上合理的解決方案。該方法有助于應對計算神經科學中的根本性挑戰，特別是神經回路如何實現穩健功能所必需的穩定性與可塑性之間的平衡。

盡管取得了這些進展，但仍存在若干局限性與未來研究方向。有趣的是，優化后的參數值往往仍接近其初始分布，這表明區分功能正常與功能異�；芈返年P鍵可能在于細微的微調，而非大幅度的參數偏移。未來對參數敏感性、簡并性及優化景觀的研究，對于理解神經回路的穩健性與功能至關重要12。

此外，在涉及持續學習與適應的動態場景中，多尺度神經計算變得更具挑戰性：智能體必須在與復雜且不斷演化的環境進行實時交互時，快速整合感知、行動與獎勵信號�？臻g導航、自適應決策及情境依賴的運動控制等任務，要求神經回路根據環境的快速反饋持續調整其計算13。將Jaxley的優化能力擴展至這些“感知–行動–獎勵”范式，對于展示其全部潛力，并更深入地理解生物神經網絡如何在真實情境中實現穩健、自適應的行為，至關重要。

將生物學上真實的可塑性機制（包括脈沖時序依賴可塑性（STDP）、赫布學習及強化學習規則1?）整合到Jaxley中，將有助于深化我們對學習與記憶中突觸動力學的理解。此外，將細胞內生化信號通路（如鈣依賴的反應–擴散過程1?）整合到Jaxley中，將彌合重要空白，連接分子過程、網絡動力學與行為。

在多樣化硬件架構上，將Jaxley與已建立的模擬工具（包括NEURON、CoreNEURON及BindsNET）進行基準測試，將有助于厘清各自的比較優勢，從而促進社區采納與方法學發展。

Jaxley的可微分方法引入了重要的計算權衡。傳統神經科學模擬器使用高度優化的不可微分求解器，這些求解器經過精細設計以確保數值精度與穩定性。Jaxley中對可微分性的要求使得數值方法需要做出近似，這可能降低精度，尤其是對于離子通道動力學中常見的剛性方程。因此，時間步長的選擇變得至關重要：較小的步長可提高精度并減少計算不穩定性，但會大幅增加計算成本，而這一挑戰在傳統模擬工具中，可被更自然地管理。

內存限制顯著制約了Jaxley的可擴展性。梯度計算需要存儲完整的計算圖，隨著模型復雜度、參數數量及模擬時長的增加，內存使用量會迅速增長。此外，盡管GPU加速具有優勢，但其面臨顯著的顯存限制（消費級GPU通常為8–24 GB），與能夠利用充足系統內存的基于CPU的模擬器相比，這明顯限制了模擬規模。高顯存GPU（48 GB+）仍然昂貴且不易獲取，這為實際應用造成了瓶頸。

因此，在內存限制內平衡參數數量、模擬時長與優化迭代次數，是一個根本性的約束，目前可能限制模型的復雜度。

綜上所述，Jaxley標志著計算神經科學的一項關鍵進展：它實現了對精細生物物理神經元網絡模型的高效、可擴展且可微分的優化。它顯著增強了我們在先前無法達到的尺度上連接生物真實性與功能性能的能力。盡管存在當前的局限性，Jaxley的出現有望加速我們對復雜神經現象的理解，并提供一個強大的計算工具，以應對生物準確性、數值穩定性與計算效率之間充滿挑戰的相互作用。

計算神經科學第三季讀書會

從單個神經元的放電到全腦范圍的意識涌現，理解智能的本質與演化始終是一個關于尺度的問題。更值得深思的是，無論是微觀的突觸可塑性、介觀的皮層模塊自組織，還是宏觀的全局信息廣播，不同尺度的動力學過程都在共同塑造著認知與意識。這說明，對心智的研究從最初就必須直面一個核心挑戰：局部的神經活動如何整合為統一的體驗？局域的網絡連接又如何支撐靈活的智能行為？

繼「」與「」讀書會后，集智俱樂部聯合來自數學、物理學、生物學、神經科學和計算機的一線研究者共同發起，跨越微觀、介觀與宏觀的視角，探索意識與智能的跨尺度計算、演化與涌現。重點探討物理規律與人工智能如何幫助我們認識神經動力學，以及神經活動跨尺度的計算與演化如何構建微觀與宏觀、結構與功能之間的橋梁。

詳情請見：

1.

2.

3.

4.

5.

6.

7.

#速遞