1 学科基础与历史
1.1 定义与核心问题
计算神经科学是利用数学建模、理论分析、数值模拟和数据分析等方法，研究神经系统从分子到认知行为各层次结构与功能的交叉学科。其核心问题包括：神经元如何编码、传递和整合信息？神经网络如何产生复杂的动力学行为？神经系统如何通过学习与环境交互并适应？该学科试图构建可计算的模型来揭示大脑信息处理的原理，同时为人工智能和神经工程提供理论支撑。
1.2 发展沿革
1.2.1 早期电生理模型（Hodgkin-Huxley模型等）
1952年，Alan Hodgkin和Andrew Huxley通过乌贼巨轴突实验，建立了描述动作电位产生与传播的离子通道动力学模型。该模型由一组常微分方程组成，定量描述了钠离子和钾离子电导的变化，是计算神经科学的奠基之作，首次用数学语言精确刻画了神经元的电生理特性。
1.2.2 神经网络理论（McCulloch-Pitts神经元）
1943年，Warren McCulloch和Walter Pitts提出了简化的二值化神经元模型——McCulloch-Pitts神经元。该模型将神经元抽象为输入加权求和后通过阈值函数输出0或1的逻辑门，证明了由这类单元构成的网络能够实现任何逻辑运算，为后来的人工神经网络和连接主义奠定了基础。
1.2.3 现代计算神经科学的确立
20世纪80年代，随着计算机性能提升和多电极记录技术的发展，计算神经科学作为独立学科正式确立。1988年，首届计算神经科学会议召开；1990年代，大脑多尺度建模（如David Marr的视觉三层次理论）和神经编码理论（如William Bialek关于神经信息论的工作）推动了学科的成熟。如今，该领域已成为连接实验神经科学与人工智能的桥梁。
1.3 与其他学科的关系
1.3.1 与理论神经科学的区别与联系
理论神经科学更倾向于抽象的数学原理（如信息论、动力系统理论），而计算神经科学强调具体的计算模型和可实现的算法实现。二者本质互补——理论提供框架，计算提供验证。例如，理论神经科学可推导神经元群体的最优编码策略，而计算神经科学则用数值模拟来检验这些策略是否符合生物学现实。
1.3.2 与人工智能和机器学习的交叉
计算神经科学和人工智能相互启发。一方面，神经网络和深度学习的发展借鉴了生物神经元的连接方式和学习规则（如卷积神经网络受视觉皮层启发）；另一方面，计算神经科学利用机器学习方法分析神经数据（如用VAE建模感官刺激的神经表征）。近年来，脉冲神经网络（SNN）和强化学习的神经基础研究成为两者交汇的热点。
2 方法论与工具
2.1 数学建模方法
2.1.1 单神经元模型：积分-放电模型
积分-放电模型（LIF模型）是最简化的神经元模型之一，其核心思想是将神经元视为一个电容，将突触输入视为充电电流，当膜电位达到阈值时产生脉冲并重置。LIF模型可模拟神经元的基本发放行为，计算成本低，适用于大规模网络模拟。其数学形式为：τm dV/dt = (Vrest - V) + R·I(t)，当V > Vth时触发脉冲并重置。
2.1.2 多室模型与电缆理论
多室模型将神经元划分为多个隔间（soma、树突、轴突），每个隔间基于电缆理论用等效电路描述。Rall（1959）引入的电缆方程考虑了树突中信号衰减和脉冲传播，可模拟突触输入的时空整合。这类模型可用于研究树突分支的主动电导（如钙离子通道）对信号处理的影响。
2.1.3 种群动力学与平均场理论
当涉及大量神经元时，种群动力学模型用“平均发放率”而非单个脉冲来描述群体行为。平均场理论假定网络中的神经元统计性质相同，可推导出种群动力学方程（如Wilson-Cowan模型）。该方法能分析网络的稳定状态、振荡和分岔行为，常见于皮层网络模型。
2.1.4 突触可塑性与学习规则（Hebbian、STDP等）
Heian规则以“神经元同时放电则连接增强”为核心，是经验性学习的基本公理。在此基础上，短时程脉冲时间相关可塑性（STDP）精确规定了突触权值变化依赖于前后神经元脉冲时序：前触后发则增强（LTP），后触前发则减弱（LTD）。此外，BCM模型（Bienenstock-Cooper-Munro）通过阈值调节实现双向可塑性，适用于特征识别和感官适应。
2.2 数据分析技术
2.2.1 神经信号处理（尖峰序列分析）
尖峰序列分析是将神经放电时间序列转化为有用信息的技术。常用方法包括：围距直方图（PSTH）展示刺激锁时的发放率；互相关和自相关分析检测神经元间的同步性或节律；尖峰间隔变异性（CV）评估发放模式的规则性；以及信息论指标（如互信息）量化刺激与响应之间的关系。
2.2.2 降维与模式识别（PCA、t-SNE）
高维神经数据（如群体成像或多个电极记录）需降维才能可视化隐含结构。主成分分析（PCA）提取主要变异轴，常用于识别神经群体对刺激状态的编码。t-SNE和UMAP通过非线性映射保留局部邻域结构，适用于发现神经反应的聚类模式（如不同神经元类型或行为状态）。
2.2.3 因果推断与连接性分析
确定神经元间因果连接是理解网络功能的关键。Granger因果检验通过时间序列预测评估单向影响；传递熵（Transfer Entropy）基于信息论测量方向性信息流；动态因果模型（DCM）假设潜在状态空间，使用贝叶斯框架推断连接参数。这些方法普遍用于功能性磁共振成像（fMRI）和电生理数据的有效连接分析。
2.3 计算模拟与软件平台
2.3.1 NEURON、NEST、Brian等仿真工具
- NEURON（由Michael Hines和John Moore开发）专精于多室模型和电缆方程，支持详尽的离子通道机制建模，广泛应用于细胞和网络模拟。
- NEST（用于脉冲神经网络仿真）优化了大规模神经元群体的平行计算，可模拟百万级LIF或Izhikevich神经元网络。
- Brian（基于Python）侧重快速原型和教学，以易于理解的代码实现对变分神经模型的建模，灵活性高但数值效率稍低。
2.3.2 数值方法与高性能计算
神经模型通常涉及刚性问题（如动作电位快速变化与缓慢恢复并存），故需使用自适应步长算法（如CVODE）或Runge-Kutta方法。大规模网络模拟（如全脑模型）依赖高性能计算（GPU/CPU并行），常用技术有域分解、消息传递接口（MPI）和CUDA加速。此外，近似算法（如事件驱动模拟、稀疏连接存储）可在保证精度的前提下大幅降低计算成本。
3 核心研究领域
3.1 神经编码与解码
3.1.1 速率编码与时间编码
速率编码假设信息由神经元的平均发放率携带，强调时间窗口内的脉冲数量。时间编码则认为脉冲的精确时序（如相位、间隔）承载更丰富的信息。实验发现，感觉系统（如听觉）常利用相位锁定进行时间编码，而运动皮层常用速率编码。二者的争论推动了更复杂的混合编码模型（如种群速率瞬时变化、脉冲定时模式）。
3.1.2 群体编码与贝叶斯推断
大脑通过大量神经元的集体活动来表征信息，而非单个神经元单独编码。群体编码利用联合响应空间中的向量解码（如群体向量）来编码平滑变化的参数（如方向、运动速度）。贝叶斯推断框架假设神经元活动编码了关于外部世界的概率分布，群体解码可视为最大后验估计的近似，解释了感知的不确定性和先验知识如何影响判断。
3.1.3 神经解码算法（最大似然、维纳滤波等）
解码是从神经数据中重建刺激或行为的过程。最大似然法在已知神经元调谐特性的前提下，寻找使观测发放概率最大的参数值。维纳滤波则利用线性时不变系统假设，通过最小均方误差设计滤波器，常用于实时解码运动参数（如脑机接口中的光标控制）。更先进的方法包括粒子滤波和解码状态空间模型。
3.2 神经动力学与网络振荡
3.2.1 同步与节律（theta振荡、gamma振荡）
神经网络中，大量神经元的同步放电产生宏观振荡。theta振荡（4-8 Hz）见于海马体和工作记忆维持，与空间导航和情景记忆相关。gamma振荡（30-100 Hz）在知觉和注意力中增强，反映局部抑制性中间神经元网络（如FS-PV细胞）的快速节律。同步机制包括互兴奋和互抑制回路，以及突触后的共享输入。
3.2.2 吸引子网络与工作记忆
吸引子网络理论认为，网络的稳定活动状态（如稳态发放模式）可存储信息。工作记忆模型（如Wang模型）利用相互连接的兴奋性-抑制性网络，使特定神经元群体持续发放而其他群体静默，从而短暂保持信息（如视觉工作记忆中的空间位置）。吸引子切换由外部输入或内部噪声驱动。
3.2.3 混沌与动力系统理论
神经系统在某些条件下（如感觉输入的噪声背景下）呈现混沌动力，表现为对初值极敏感的不可预测活动。动力系统理论通过分岔、李雅普诺夫指数和不动点分析来理解神经网络的动态变化。例如，Wu等（2008）发现皮层网络在最优化信息传递时工作于“临界混沌”边缘，平衡了稳定性和响应灵活性。
3.3 学习、记忆与可塑性
3.3.1 突触可塑性的计算理论（BCM、STDP）
BCM模型引入滑动阈值，使突触修改的LTP/LTD方向依赖于突触后活动相对于阈值的水平。该模型可解释视觉皮层中方位选择性的发展。STDP则将脉冲时序作为关键参数：当突触前脉冲早于突触后脉冲约20毫秒时发生LTP，反之则LTD。这两种规则在与海马体长期势化实验数据的拟合中表现出色。
3.3.2 强化学习与基底节模型
基底节参与基于奖励的决策学习。经典模型（如Actor-Critic）将基底节分为行动选择（Actor，对应纹状体体细胞）和评价（Critic，对应腹侧被盖区和黑质）两条通路。多巴胺信号编码了时间差分误差（TD error），驱动了强化学习过程中的“预测-更新”机制。基底节功能障碍（如帕金森病）则破坏了这一学习过程。
3.3.3 海马体与情景记忆模型
海马体对空间和情景记忆至关重要。O'Keefe（1971）发现海马位置细胞编码环境位置，而Moser夫妇（2005）发现网格细胞编码环境的空间格子结构。计算模型（如Attractor网络模型）假设海马体使用“模式分离”提取独特场景，然后通过“模式完成”从部分线索重建完整的记忆。此类模型已成功解释了基于记忆的导航行为。
3.4 感觉系统与运动控制
3.4.1 视觉系统计算模型（简单细胞、方位选择性）
Hubel和Wiesel发现的视觉皮层简单细胞具有方位选择性（对特定方向的条形刺激反应最强）。计算模型表明，两个以上对准的LGN（外侧膝状体）细胞汇聚输入可产生简单细胞的方位调谐。更深层细胞（复杂细胞）则对方向不敏感而对运动敏感。深度学习中的卷积网络（如VGG、ResNet）间接模拟了这一层次化特征提取。
3.4.2 听觉系统与声源定位
声源定位依赖双耳时间差（ITD）和强度差（IID）。Jeffress模型通过延迟线实现ITD检测：来自双耳的输入在轴突的特定位置重合时，输出神经元反应最强。这一模型在上橄榄核中有所体现。现代模型还包括IID的频谱线索，以及利用Bayes推理整合先验知识（如头相关传递函数）来计算声源方向。
3.4.3 小脑与运动学习模型
小脑被认为参与运动精确性和时序学习。Marr-Albus模型将小脑浦肯野细胞视为感知器：平行纤维（携带上下文输入）和爬行纤维（误差信号）共同调节突触强度（LTD）。该模型可解释经典条件反射（如眨眼反射）的时序学习。近年来，扩展模型将小脑缺陷与运动不稳和适应不良关联，验证了它在预测控制中的核心作用。
4 应用与前沿
4.1 神经工程与脑机接口
4.1.1 神经假体与闭环控制
神经假体通过记录神经元活动或直接电刺激来替换或恢复功能。例如，上肢假体通过解码运动皮层信号来执行抓取动作；视觉假体（Argus眼）刺激视网膜或皮层产生光幻视。闭环控制将实时反馈（如传感器感知动作结果）纳入刺激控制系统，可显著提升假体的自然度，例如在帕金森病深部脑刺激中根据皮层振荡实时调整刺激参数。
4.1.2 视觉/听觉修复的计算模型
计算建模为脑机接口的设计提供理论指导。对于视觉假体，模型模拟了刺激如何激活特定神经元群体，以及怎样规划刺激模式以改善分辨率，例如通过对不同细胞类型施加不同频率的电刺激。听觉修复（如耳蜗植入体）借助计算模型优化电极刺激策略，使得电极阵列传递给听神经的信息与天然耳蜗的声学滤波特性相匹配，从而提高音高和言语识别能力。
4.2 计算神经科学在人工智能中的启发
4.2.1 脉冲神经网络（SNN）
与传统人工神经网络中的连续数值激活不同，SNN以脉冲（事件）为基本单元传递信息，更贴近生物神经元的通信方式。SNN能实现低功耗计算（事件驱动，无脉冲时不消耗能量），适用于类脑芯片（如Intel的Loihi、IBM的TrueNorth）。然而，学习算法（如surrogate gradient方法）和非线性激活的瓶颈仍需突破，限制了其在大型任务上的应用。
4.2.2 反向传播的神经生物学解释
反向传播（Backpropagation）是现代深度学习的基石，但其假设神经元在信息流中具有可微分的反向传递途径，这与生物神经的计算特性相悖。近年来，计算神经科学提出了若干生物合理的替代方案：反馈对齐（Feedback Alignment）通过随机反馈连接修正误差，目标传播（Target Propagation）利用局部隐层目标驱动学习。这些研究暗示，大脑可能通过局部可塑性和水平连接实现了类似的功能。
4.3 计算精神病学与神经疾病建模
4.3.1 精神分裂症与连接失调
精神分裂症患者的幻觉和认知缺陷被认为与神经连接失调有关。计算模型将精神分裂症描述为谷氨酸（NMDA受体）功能障碍导致抑制性中间神经元活动弱化，进而引起网络振荡失常和信噪比下降。这种“连接失调假说”得到了fMRI数据中功能连接异常的支持，而模型还预测了D1受体调节剂可改善工作记忆任务。
4.3.2 帕金森病的基底节模型
帕金森病由黑质多巴胺能神经元退化引起，导致基底节回路失衡。经典模型认为，多巴胺缺乏使得直接通路（Go）和间接通路（NoGo）失调，引起运动迟缓和僵直。计算模型（如Sato和Lockman模型）详细描述了基底节内外侧核团的相互作用模式，证明了深部脑刺激（DBS）频率依赖性可恢复运动能力。这些模型还用于优化电极植入位置和刺激参数。
4.4 未来方向与挑战
4.4.1 全脑规模模拟（蓝脑计划等）
蓝脑计划（Blue Brain Project）和人类脑计划（Human Brain Project）旨在通过超级计算机模拟全脑尺度的神经活动。然而，全脑模拟面临巨大挑战：获取完整连接组（如小鼠全脑约1000亿突触）、处理跨尺度整合（从分子到行为）、以及验证模拟结果与实验数据的一致性。可扩展性和功耗限制也是重要瓶颈，类脑计算或可提供部分解决方案。
4.4.2 数据驱动与理论驱动的融合
过去十年，大规模神经记录手段（如钙成像、Neuropixels探针）产生了海量高维数据。数据驱动的机器学习方法（如深度学习降维、变分自动编码器）在解析这些数据方面取得了显著进展。但纯粹的数据驱动模型缺乏可解释性和理论约束，例如未能揭示因果机制。未来需要将理论模型（如神经编码原则、动力系统框架）与数据驱动方法结合，形成“理论-informed机器学习”范式，以产生可验证的科学假设。同时，从大脑学习到人工智能的半监督学习、元学习等领域的相互促进也将成为重要趋势。