論文の概要: Conditional Flow Matching for Single-Neuron Electrophysiology: Capturing Multimodal Responses Across Stimuli

• arxiv url: http://arxiv.org/abs/2610.06520v1
• Date: Mon, 05 Oct 2026 15:32:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 07:49:13.272235
• Title: Conditional Flow Matching for Single-Neuron Electrophysiology: Capturing Multimodal Responses Across Stimuli
• Title（参考訳）: 単一ニューロン電気生理における条件流整合:刺激の多モード応答を捉える
• Abstract要約: 入力電流に条件付けされた速度場とのフローマッチングを用いて,単一ニューロン電気生理学的条件生成モデルを学習する。 ニューラル演算子ベースラインは閾値付近のスパイクを抑制し,デポーラ化ブロックにおけるモード間のギャップを曖昧にする。
• 参考スコア（独自算出の注目度）: 15.356663526318597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neurons of the brain exhibit a rich repertoire of electrophysiology dynamics with the same repeated stimulus eliciting very different voltage responses from the same cell. One common approach in biophysically detailed models is to capture this variability through ensembles of deterministic parametrizations, at a cost of hundreds of thousands of CPU hours. Existing machine learning surrogates inherit the same limitation, where a stimulus is mapped to a single voltage response. We address this challenge by learning a conditional generative model for single-neuron electrophysiology, using flow matching with a velocity field conditioned on the input current. On biophysically detailed models of two human cortical interneuron types, the generated responses closely reproduce the electrophysiological feature distributions, spike-time structure, and excitability profiles, even matching the experimental recordings from the corresponding human cortical neurons. Near the firing threshold, firing and non-firing responses coexist at the same stimulus amplitude, and at high amplitudes, ensembles may split into low- and high-firing modes near depolarization block. We show that our model recovers both modes in each case, while a neural operator baseline suppresses spiking near threshold and blurs the gap between modes at depolarization block.
• Abstract（参考訳）: 脳のニューロンは電気生理学的ダイナミクスの豊富なレパートリーを示し、同じ刺激が同じ細胞から全く異なる電圧反応を引き起こす。 生物学的に詳細なモデルにおける一般的なアプローチは、決定論的パラメトリゼーションのアンサンブルを通じて、何十万時間ものCPU時間でこの変動を捉えることである。 既存の機械学習サロゲートは同じ制限を継承し、刺激を単一電圧応答にマッピングする。 入力電流に条件付けされた速度場との流速マッチングを用いて、単一ニューロン電気生理学の条件生成モデルを学ぶことで、この問題に対処する。 ヒト大脳皮質間ニューロンの2種類の生理的詳細モデルにおいて、生成された応答は、電気生理学的特徴分布、スパイク時間構造、興奮性プロファイルを忠実に再現し、対応するヒト大脳皮質ニューロンの実験記録と照合する。 発射しきい値付近では、同じ刺激振幅で発火と非発火反応が共存し、高い振幅では、アンサンブルは非発火ブロックの近くで低発火モードと高発火モードに分けられる。 ニューラル演算子ベースラインは閾値付近のスパイクを抑制し,デポーラ化ブロックにおけるモード間のギャップを曖昧にする。

関連論文リスト

• Learning Hybrid Biophysical Neuron Models with Neural ODEs [20.563327252400953]
  本稿では, ニューラル常微分方程式をコンダクタンスに基づく生体物理モデルに組み込むハイブリッド・モデリング・フレームワークを提案する。 ハイブリッドモデルは2400個のイオンチャネルモデルのゲーティング力学に適合し、単一の電流クランプ記録から未知のゲーティングダイナミクスを復元する。
  論文  参考訳（メタデータ） (2026-06-15T13:29:41Z)
• BioOSS: A Bio-Inspired Oscillatory State System with Spatio-Temporal Dynamics [6.273703979947789]
  BioOSSは、ニューラル処理に不可欠な波状伝播ダイナミクスをエミュレートするように設計されている。 このモデルは減衰と伝播速度のトレーニング可能なパラメータを組み込んでおり、タスク固有の時間構造への柔軟な適応を可能にしている。 合成タスクと実世界のタスクの両方でBioOSSを評価し、代替アーキテクチャと比較して優れた性能と高い解釈性を示す。
  論文  参考訳（メタデータ） (2025-10-12T20:12:33Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [63.592664795493725]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、その一般化を実際の実験データで検証する最初の大規模ディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• Learning with Chemical versus Electrical Synapses -- Does it Make a Difference? [61.85704286298537]
  バイオインスパイアされたニューラルネットワークは、ニューラルネットワークの理解を深め、AIシステムの最先端を改善する可能性がある。 我々は,光リアルな自律走行シミュレータを用いて自律車線維持実験を行い,その性能を種々の条件下で評価する。
  論文  参考訳（メタデータ） (2023-11-21T13:07:20Z)
• Continuous Learning and Adaptation with Membrane Potential and Activation Threshold Homeostasis [91.3755431537592]
  本稿では,MPATH(Membrane Potential and Activation Threshold Homeostasis)ニューロンモデルを提案する。 このモデルにより、ニューロンは入力が提示されたときに自動的に活性を調節することで動的平衡の形式を維持することができる。 実験は、モデルがその入力から適応し、継続的に学習する能力を示す。
  論文  参考訳（メタデータ） (2021-04-22T04:01:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。