了解神经动力学如何引起行为是系统神经科学中最基本的问题之一。为了实现这一点，一种常见的方法是记录行为动物的神经群体，并将这些数据建模为来自潜在动力系统，该系统的状态轨迹随后可以通过某种形式的解码与行为观察相关联。由于记录通常在仅构成更广泛牵连网络的一部分的局部电路中进行，因此同时学习局部动态并推断可能驱动它们的任何未观察到的外部输入非常重要。在这里，我们介绍了 iLQR-VAE，这是一种基于控制的新型非线性动态系统变分推理方法，能够学习潜在动态、初始条件和持续的外部输入。与最近的深度学习方法一样，我们的方法基于输入驱动的顺序变分自动编码器 (VAE)。主要的新颖之处在于在识别模型中使用强大的迭代线性二次调节器算法 (iLQR)。标准证据下限的优化需要通过 iLQR 解决方案进行区分，这得益于可区分控制方面的最新进展。重要的是，通过生成模型隐式定义识别模型可以大大减少自由参数的数量，并允许灵活、高质量的推理。例如，这使得在对较小块进行训练后，可以在一次长时间试验中评估模型。我们展示了 iLQR-VAE 在一系列合成系统上的有效性，这些系统具有自主和输入驱动的动态。我们进一步展示了在两个不同的伸手任务中对非人类灵长类动物的神经和行为记录的最新性能。