2.3 简化神经元模型：LIF 与 Izhikevich

2.3 简化神经元模型：LIF 与 Izhikevich

上一节末尾留了道算术题：HH 每个时间步要做四次超越函数求值，而网络仿真往往要同时推进上万个单元、跑几亿步。本节给出两个降级方案——LIF 用一个变量换走 HH 九成的网络用途，Izhikevich 用两个变量换回 HH 九成的发放模式。选哪个的判据，是你要回答的问题在哪一层。

LIF：把脉冲压缩成一个事件

漏积分发放（Leaky Integrate-and-Fire）模型的出发点是把 2.2 节的洞察推到极端：既然脉冲形状固定、信息只在发放时刻，那脉冲本身的动力学就不必模拟——膜电位到阈值就"记账"发放一个事件，然后强制重置。膜电位方程只剩一条：

τm · dV/dt = −(V − Vrest) + Rm · I(t)

它就是被动 RC 电路加两条人工规则：V 越过阈值 Vth（典型 -55 mV，静息 -65 mV 之上 10 mV）则记录一次发放并把 V 重置到 Vreset（常取 -65 或 -75 mV）；发放后进入约 2 ms 的绝对不应期。膜时间常数 τm = Rm·Cm 是模型唯一的"个性参数"，皮层神经元典型值约 20 ms：输入撤掉后膜电位约 20 ms 衰减掉 63%，输入积累也是同样的节奏——20 ms 就是这个细胞对外部世界的"记忆长度"。

这个压缩丢掉了什么？阈值下真实的 HH 神经元有非线性共振、有 m 变量的快速正反馈回声，LIF 全都没有；发放后真实的钾电流让膜电位缓慢回落，LIF 直接跳变。换来的是什么？每步一次线性更新的成本，以及一个可以解析处理的数学对象——网络理论（第 5 章）几乎全部建立在 LIF 或其近亲上。

图：LIF 模型的膜电位轨迹——充电、越阈、重置、再充电

概念代码：二十行的 LIF 仿真器

import numpy as np

Vth, Vreset, Vrest = -55.0, -65.0, -65.0
tau_m, Rm = 20.0, 1.0                  # 膜时间常数 20 ms
dt = 0.1                                # 步长 ms
spikes, V, refract = [], Vrest, 0

for k in range(5000):                   # 模拟 500 ms
    t = k*dt
    I = 2.5 if t > 50 else 0.0          # 50 ms 后给持续输入
    I += np.random.randn()*0.8          # 叠加膜噪声
    if refract > 0:                     # 绝对不应期：只衰减不积分
        refract -= dt
        V = Vreset
    else:
        V += dt/tau_m * (-(V - Vrest) + Rm*I)
        if V >= Vth:
            spikes.append(round(t,1))   # 只记账发放时刻
            refract = 2.0               # 2 ms 绝对不应期
            V = Vreset
print(spikes[:8])   # 例：[72.4, 93.1, 113.9, ...] 间隔随输入强度缩短
​

把 I 的均值从 2.5 调到 4：发放间隔缩短，发放率上升；再叠加噪声项，等间隔发放变成似稳非稳的自然节奏。这个二十行的循环就是第 5 章所有网络仿真的原子——网络只是把无数个它连起来。

Izhikevich：两变量换回百种模式

LIF 的短板在发放模式：适应（连续发放渐慢）、簇发放（一串脉冲扎堆）、低阈值回荡（抑制后反弹放电）——这些都来自 HH 里慢变量与快变量的咬合，一维的 LIF 装不下。Izhikevich 模型（2003）用两条方程补回这个维度：

dv/dt = 0.04v² + 5v + 140 − u + I
du/dt = a·(b·v − u)

发放规则保留：v ≥ 30 mV 时发放，然后 v 重置为 c、u 上抬 d。v 是快变量（复位电位与二次项合起来产生阈值行为），u 是慢恢复变量（模拟钾电流激活与钠失活的总效果）。四个参数各管一种性格：a 管恢复快慢（越小越易回荡），b 管恢复变量对阈下波动的敏感度，c 管重置电位（越大越易簇发），d 管重置后恢复电流（越大适应越强）。调节这四个数，同一个模型能复现皮层 regular spiking（锥体细胞）、fast spiking（PV 中间神经元）、簇发放、电紧张整合等二十余类已知发放模式——成本只有 HH 的几十分之一。

选型：三个问题定档位

问题一：关心发放模式吗？不关心（只统计发放率）选 LIF；关心选 Izhikevich。问题二：关心通道与药理吗？关心就回到 HH，简化模型不给药理学解释。问题三：跑多大规模？上万单元、需要实时性（如神经形态硬件），LIF 是硬约束下的几乎唯一选择——芯片里的"神经元"就是 LIF 的电路版。

⚠️ 常见坑：用 LIF 的发放率去定量对照生物数据时，阈值与重置电位的选择对结果影响极大。同一组输入，Vreset 取 -65 还是 -75，发放率可差一倍以上——简化模型的自由参数少了，但每个都更"重"，必须标定。

💡 关键直觉：从 HH 到 LIF 丢掉的是"脉冲怎么长出来的"，保住的是"什么时候发、发多密"。网络现象几乎全部由后者决定——这就是简化模型敢于存在的物理学理由。

本节要点回顾

• 要点一：LIF = 被动 RC + 阈值重置规则，膜时间常数约 20 ms 定输入记忆长度。
• 要点二：脉冲被事件化后，模型可解析、可扩展，成为网络理论的标准单元。
• 要点三：Izhikevich 加一个恢复变量，用四个参数覆盖二十余种发放模式。
• 要点四：选型三问——要不要模式、要不要药理、跑多大规模。
• 要点五：简化后自由参数变少但更重，必须对照生物数据标定。

单点的模型齐了。下一节把空间维度捡回来：当神经元有复杂的树突形态，"点"不够用了。

变式实验：从规则发放到不规则发放

LIF 概念代码值得再做一轮扫描。把输入电流从阈值上一点点往下降：发放率先是连续下降，然后在某个临界点附近出现"漏发"——周期性变成不规则间歇，这一段正是模型从规律发放转入涨落敏感区的相变附近。接着保持平均输入不变、只加大噪声：发放率反而回升，因为噪声偶尔把徘徊的膜电位推过阈值（随机共振的神经元版）。这两个实验合起来说明：LIF 虽简单，它的发放统计对输入强度与噪声水平的组合高度敏感——这正是第 5 章网络用它能做出丰富现象的原因。

问题：LIF 有阈值，Izhikevich 没有显式阈值，哪个对？

都不"对"，是两种约定。真实神经元的阈值是动力学分界（2.2 节讲过），LIF 把它硬编码成一条线，代价是失去阈下共振与适应；Izhikevich 的二次项让"阈值"从轨迹里自然涌现——膜电位被缓慢去极化时有效阈值更高，快速冲击时更低，这个锐化性质与真实锥体细胞一致。选型的判据回到问题：需要解析处理选 LIF，需要发放模式选 Izhikevich，需要药理机制回 HH。