摘要 8 神经群体动态受许多细胞、突触和网络特性的影响。不仅要了解电路参数的协调变化如何改变神经活动，而且要了解动态何时不受此类变化的影响或对此类变化保持不变。计算建模揭示了单个神经元和小电路中的不变性，这些不变性被认为反映了它们对变化和扰动的鲁棒性。然而，将这些见解推广到皮层和其他大脑区域的较大电路仍然具有挑战性。一个关键的瓶颈在于使用脉冲网络模型对神经回路进行逆向建模，即识别与神经记录中观察到的动态定量匹配的参数配置。在这里，我们提出了神经动力学自动模型推断 (AutoMIND)，以有效发现不变的电路模型配置。 AutoMIND 利用具有自适应 16 脉冲神经元和群集连接的机械模型，该模型显示了丰富的时空动态。概率 17 深度生成模型（仅在网络模拟上训练）然后返回与给定目标神经活动观察一致的许多参数配置。应用于多个数据集后，AutoMIND 发现了人类大脑类器官在早期发育过程中同步网络爆发的电路模型 19，以及捕捉小鼠海马和皮层中神经像素记录的复杂频率曲线的模型 20。在每种情况下，我们都获得了 21 数百种配置，这些配置组成一个（非线性）参数子空间，其中种群动态保持不变 22。令人惊讶的是，不变子空间的全局和局部几何形状并不固定，而是因不同的动态而异 23。总之，我们的研究结果揭示了不同 24 种群体动态背后的电路参数的动态相关不变性，同时展示了 AutoMIND 在神经电路逆向建模方面的灵活性。25