编辑推荐：
本研究将整合信息理论（IIT）应用于模拟的整合发放（IAF）神经元网络，旨在为理解意识的理论框架与真实神经生物系统搭建桥梁。通过计算IIT的核心度量Φ，研究揭示了在特定参数下IAF网络可获得非零Φ值，表明其具备整合信息的能力。研究发现网络的整合信息量（Φ）与其时间常数（T）正相关，但与网络活动复杂度无关。同时，研究指出IIT 3.0定义的Φ度量对神经元内在的随机噪声敏感，这提示其在处理生物大脑固有的随机性方面存在局限。这项研究为IIT在模拟神经元系统中的实证应用提供了新见解，并讨论了其对理解意识的启示。
导言：连接整合信息理论与神经元模型
整合信息理论（IIT）是由Giulio Tononi等人提出的一个著名的意识理论，它采取自上而下的理论方法，从现象学公理出发，推断出支撑意识的物理机制所必须具备的特性。根据IIT，意识源于复杂系统内部的整合信息，并用一个称为Φ的度量来量化系统内的整合信息量。Φmax可被视为系统意识水平的代理指标，非零值意味着系统具有一定程度的意识。然而，IIT的应用通常局限于满足马尔可夫条件和平稳性等性质的离散动力系统，将其应用于现实、连续的神经生物系统存在挑战。本研究旨在将IIT框架应用于模拟的整合发放神经元（IAF）网络，以评估其整合信息的能力。
方法：从逻辑门到整合发放神经元的计算管道
研究采用PyPhi Python库计算网络的Φ值，该库需要系统的转移概率矩阵和连接矩阵。为确保计算管道的准确性，首先模拟了一个由逻辑门（OR, AND, XOR）构成的、与文献中“ABC系统”相同的网络，其Φ计算结果与文献报告值高度吻合，验证了方法的正确性。随后，研究转向更接近真实神经元的泄露整合发放（IAF）模型。IAF神经元的膜电位由离散时间步长的方程描述，并在达到阈值时发放脉冲。通过将神经元状态二值化（发放为“1”，非发放为“0”），构建了网络的状态转移概率矩阵，从而计算Φ。
结果：影响整合信息的关键参数与噪声效应
方法评估与网络活动追踪
研究首先确认了IAF网络在模拟逻辑门时，其Φ值与文献结果匹配。通过可视化不同参数下网络的膜电位活动，发现网络活动最终会达到稳定或周期性的稳态。分析表明，网络活动的复杂程度与其Φ值之间没有必然的相关性。复杂的活动可能对应低Φ值或高Φ值，而简单的活动也可能产生相对较高的Φ值。
参数敏感性分析
系统地改变膜时间常数（T）和连接权重（wi）参数后，研究发现：
- •
“工作区间”：在中等连接权重（37.5-87.5 mV）下，网络Φ值大多为非零。权重过低（≤ 25 mV）时，神经元间无有效交互；权重过高（100 mV）时，网络可被约简。这两种情况都导致Φ值为零。
- •
时间常数的影响：在“工作区间”内，网络的平均Φ值随着时间常数T的增加而呈现增长趋势。i parameters."> 这表明神经元的整合能力（由其时间常数反映）会影响整个网络的整合信息水平。
随机输入的作用
为模拟真实大脑中普遍存在的噪声，研究在其中一个IAF神经元上加入了泊松过程的随机输入。
- •
外部噪声：若将随机输入源视为网络的第四个元素，构成前馈连接，则该四元素系统总是表现出Φ值为零，因为系统可被分解为独立的子系统。
- •
内在噪声：若将随机输入视为单个神经元的内部随机机制（如随机通道活动），并仍将网络视为三元素系统，则Φ值会发生变化，可能增加也可能减少，变化幅度在-400%到+400%之间。某些参数组合下的网络对噪声尤其敏感。然而，平均来看，所有参数和状态下的平均Φ值对噪声水平的依赖性较弱。
讨论与局限：IIT应用于神经元模型的启示与挑战
研究发现，IAF网络在特定条件下可以整合信息并产生非零Φ值，这为IIT在神经元系统中的潜在应用提供了例证。然而，研究也揭示了几个关键点及当前方法的局限性：
- 1.
网络活动与Φ值脱钩：Φ值不能从自发的网络活动时间演化中可靠地推断出来。
- 2.
IIT 3.0对噪声敏感：当随机扰动被视为内在机制时，Φ值会发生显著变化，表明IIT 3.0主要适用于确定性系统，这与生物大脑固有的噪声环境不匹配。值得注意的是，IIT 4.0已经开始通过纳入对单元活动确定性程度的考量来应对这一局限。
- 3.
对外部输入的排除：当噪声被视为外部输入时，系统Φ值为零，这提示IIT理论聚焦于内在产生的活动，对应于睡眠、做梦等状态，而将清醒大脑接收外部感觉输入的状态排除在其主要考虑范围之外。
研究的局限性包括：采用将连续膜电位二值化的“两步法”可能违反马尔可夫属性；仅使用三个神经元的小型网络可能产生平凡动力学；为实现逻辑门功能而对“XOR”神经元设置阈值范围，其生物合理性虽有近期研究支持但仍有争议；将外部噪声源视为内部机制的简化处理；以及使用IAF模型而非更复杂的Hodgkin-Huxley模型所带来的简化。这些局限意味着结论向其他系统的推广需谨慎。
结论：实证发现与未来方向
本研究的主要贡献是关于将整合信息理论应用于人工整合发放神经元网络的若干实证发现。首先，在IAF网络中未发现网络活动与Φ值之间的关系。其次，随机扰动可导致Φ值增减，但平均来看对噪声水平依赖较弱，突显了IIT 3.0在处理噪声方面的局限性。第三，当扰动被视为外部输入时，系统Φ值为零，强调了IIT对内在产生活动的关注。总之，研究表明人工神经元网络可以整合信息并具有非零Φ值，但这并不直接意味着它们具有意识。研究展示了IIT在真实神经元系统中的潜在应用，同时也揭示了当前理论框架在应用于复杂、有噪的生物系统时所面临的挑战。未来的工作需要在更广泛的系统和更逼真的神经元模型上验证这些发现，并跟进IIT理论本身的进一步发展。
