Compositional Neuroscience: Seeking a New Languagefor Brain Circuits with Monoids, Functors, and Operads

組合神經科學：借幺半群、函子與操作子探索腦回路新語言

https://www.researchgate.net/profile/Debi-Prasad-Ghosh/publication/391439657_Compositional_Neuroscience_Seeking_a_New_Language_for_Brain_Circuits_with_Monoids_Functors_and_Operads/links/6817a446df0e3f544f51de69/Compositional-Neuroscience-Seeking-a-New-Language-for-Brain-Circuits-with-Monoids-Functors-and-Operads.pdf

摘要：

對大腦復雜的多尺度架構進行建模，需要一種形式化語言，以捕捉多樣的神經成分如何組合成功能回路。當前方法通常缺乏這種嚴格的組合結構。我們引入了一種用于組合神經科學的操作子演算，這是一個基于范疇論的框架，提供了這樣一種語言。

我們將皮層微柱建模為幺半群對象（范疇 M），以捕捉其內部代數結構，并將皮層下模塊建模為對象（范疇 S）。函子描述它們之間基本的保結構投影。更豐富的皮層 - 皮層下相互作用，如預測編碼、基底節(jié)門控、海馬重放和神經調節(jié)，通過伴隨、單子、雙函子和自然變換進行形式化?？蚣艿暮诵氖沁B線圖操作子（W）；其圖提供了組合組件的形式語法，而 W-代數將這些圖映射到具體的復合神經過程，保證指定代數語義（例如，幺半群/單子律）的保持。因此，該演算使得系統構建具有完整性形式保證的復雜、異構回路模型成為可能，促進了模塊化以及對大規(guī)模腦架構的嚴格推理。我們概述了使用富化范疇和動態(tài)操作子的關鍵擴展，以納入動力學和可塑性，并討論了通往實證驗證的途徑，旨在為神經科學提供一種全面且可計算的組合語言。

1 引言

哺乳動物大腦展現出非凡的計算能力，涌現自廣闊的新皮質層與眾多皮層下核團之間復雜的相互作用，包括丘腦、基底節(jié)、小腦和海馬體。理解這些成分如何協調感知、行動、學習和記憶，需要模型不僅能捕捉連接性和動力學，還能捕捉神經計算的組合性質——即局部處理基元如何結合形成全局認知功能。傳統方法雖然有價值，但往往不足。靜態(tài)圖論模型捕捉網絡拓撲，但通常統一對待連接，掩蓋了功能差異 (Bullmore & Sporns, 2009)，而動力系統模型描述群體活動，但難以表達不同的計算回路如何在相互作用中組合或保持結構 (Ashby, 1956)。迫切需要一種更抽象、基于形式化的語言，能夠描述功能多樣的腦回路如何由可重用組件構建而成。

本文以組合神經科學的操作子演算形式引入了這樣一種語言。我們利用范疇論的數學框架，特別是幺半群、函子和操作子的概念，為組裝神經系統模型提供精確的語法和語義。我們提出，皮層微柱作為新皮質的基本計算單元，可以有效地建模為合適范疇 M 內稱為幺半群對象的代數結構，以捕捉其內部遞歸處理邏輯。皮層下核團類似地被處理為不同范疇 S 內的對象?；镜谋＝Y構相互作用，如前饋投影或表示之間的映射，被形式化為函子。

在此基礎上，我們展示了更復雜的皮層 - 皮層下相互作用——通常被孤立研究——如何使用源自函子或通過函子相互作用的更豐富范疇結構來表示：通過伴隨表示預測編碼回路（皮層 - 丘腦），通過單子表示門控機制（基底節(jié)），通過余單子表示誤差校正信號（小腦），通過雙函子表示記憶重放（海馬體），以及通過自然變換表示全局增益控制（神經調節(jié)）。核心貢獻是引入了操作子演算，具體使用連線圖操作子（Spivak, 2013），它提供了將這些異構組件（幺半群、函子、單子等）組合成更大、功能整合回路的形式規(guī)則，同時嚴格保持其底層代數屬性。這種方法將焦點從個別回路的定制模型轉移到通用的組合框架，為腦架構提供了一種新視角，即視為由數學定義明確的模塊構建的結構化、分層系統。

1.1 文獻綜述

我們的提案建立在此基礎上，并尋求整合幾條不同的研究線索：

? 圖論與動力學模型：網絡神經科學已成功利用圖論揭示腦連接中的結構和功能特性，如樞紐和模塊 (Bullmore & Sporns, 2009 [13]; Guye et al., 2010 [32]; Vecchio et al., 2016 [64])。動力系統理論提供了分析神經群體活動模式的工具，從單個神經元到網絡和認知模型 (Coombes, 2005 [21]; Deco et al., 2008 [22])。然而，這些方法通常缺乏形式化機制來區(qū)分連接性或動力學之外的不同類型的相互作用（例如，特定的處理基元，如神經雪崩 - Beggs & Plenz, 2003 [7]），或指定功能組合的規(guī)則。

? 預測編碼與主動推理：分層貝葉斯框架，包括預測編碼和主動推理，通過預測誤差最小化或自由能最小化等原則對腦功能進行建模，通常涉及互惠回路 (Friston et al., 2017 [28]; Pezzulo et al., 2024 [49])。雖然在解釋特定現象和提供過程理論方面功能強大（參見教程 Smith et al., 2022 [61]），但這些模型通常未嵌入更廣泛的組合語法中，無法將它們與門控或重放等其他不同回路進行代數整合。最近的工作探索了主動推理內的結構學習 (Friston et al., 2024 [24]; Neacsu et al., 2022 [48]; de Tinguy et al., 2025 [62]) 以及使用更形式化方法的結構化主動推理 (Smithe, 2024 [58])，這與組合建模的目標一致。

? 基底節(jié)門控模型：計算模型描述了基底節(jié)在動作選擇和門控信息流中的作用，通常基于其獨特的內部解剖結構 (Gurney et al., 2001a [29]; Gurney et al., 2001b [29]; Redgrave et al., 2002 [54]; Baston & Ursino, 2014 [17]; Beiser et al., 1997 [18])。這些模型成功捕捉了特定的計算功能和動力學 (Humphries & Gurney, 2021 [33])，但通常缺乏一個通用代數框架，用于將此門控功能與其他類型的神經計算模塊組合。

? 海馬重放：研究強調了海馬體通過在休息或睡眠期間重放神經序列來鞏固記憶的作用 (Buzsáki, 2011 [12]; Foster & Wilson, 2006 [27]; Ambrose et al., 2016 [2])。重放的復雜性質——涉及分布式模式、序列壓縮 (Roumi Al F et al., 2021 [52]; Roumi Al F et al., 2023 [53]) 和上下文依賴的調節(jié) (Ambrose et al., 2016 [2])——使其整合到形式組合模型中具有挑戰(zhàn)性，盡管存在計算和機器人模型 (Molter et al., 2006 [46]; Whelan et al., 2021 [65])。

? 范疇論與組合方法：人們越來越有興趣應用范疇論 (Awodey, 2010 [5]; Leinster, 2016 [43]; Fong & Spivak, 2018 [26]; Iordache, 2011 [35]; Borceux, 1994 [10]) 和相關的組合數學如余代數 (Jacobs, 2016 [39]; Frank et al., 2022 [25]; Lee & Lee, 2020 [44]; Teatro et al., 2022 [63]) 來建模復雜系統，包括馬爾可夫過程 (Baez & Fong, 2016 [6])、信號流圖 (Bonchi et al., 2014 [9])，以及可能分離控制/數據流 (Arellanes, 2023 [3])。操作子 (Arity, 2002 [4])，特別是連線圖操作子（由 Spivak 概念性引入并在 Fong & Spivak, 2018 [26] 等作品中詳細說明），為組合具有類型接口的系統提供了形式化語言。此外，富化范疇論 (Kelly, 1982 [40]; Johnstone, 1982 [37]; Borceux & Stubbe, 2000 [16]; Stubbe, 2014 [59]) 提供了納入動力學和定量結構的工具。雙函子（分布子）提供了一種處理關系結構的方法 (Bénabou, 1973 [8])。我們的工作旨在將這些線索綜合成一個專為組合神經科學量身定制的綜合操作子演算。

1.2 本文貢獻 本文做出以下具體貢獻：

1. 皮層幺半群模型：將單個皮層微柱形式化為范疇 M 中的幺半群對象，以代數方式捕捉其內部計算結構。
2. 皮層下范疇：定義一個范疇 S，其對象代表多樣的皮層下模塊（丘腦、基底節(jié)、小腦、海馬體）。
3. 函子與高階映射：使用函子建?；镜谋＝Y構投影，并使用導出的范疇結構（伴隨、單子、余單子、雙函子、自然變換）形式化關鍵的皮層 - 皮層下相互作用（預測編碼、門控、細化、重放、神經調節(jié)）。
4. 用于組合的操作子演算：引入連線圖操作子的使用，作為一種形式演算，用于將這些多樣的神經模塊（由幺半群、函子、單子等表示）組合成更大的回路，同時保證保持其代數語義。
5. 橋接抽象與生物學：概述了豐富范疇框架以納入真實動力學（通過富化范疇）的途徑，并提出了利用大規(guī)模神經數據進行實證驗證和模型擬合的方向。

1.3 論文結構

本文組織如下：

? 第 2 節(jié)：回顧范疇論預備知識（范疇、函子、幺半范疇），并引入皮層微柱幺半群模型，定義范疇 M。

? 第 3 節(jié)：定義皮層下模塊的范疇 S 及其用于并行組合的幺半結構。

? 第 4 節(jié)：開發(fā) M 與 S 之間的函子映射，引入伴隨函子用于皮層 - 丘腦預測編碼，并使用單子形式化基底節(jié)門控。

? 第 5 節(jié)：展示雙函子（由函子構建）如何捕捉海馬重放，以及自然變換（函子之間的變換）如何建模神經調節(jié)。

? 第 6 節(jié)：呈現核心的操作子演算，展示 Spivak 的連線圖如何為組合先前定義的范疇模塊提供形式語法。

? 第 7 節(jié)：討論用動力學和可塑性豐富框架的策略（例如，使用富化范疇、動態(tài)操作子），并概述實證擬合與驗證的方法。

? 第 8 節(jié)：總結該操作子演算對組合神經科學的意義，并概述未來研究的關鍵方向。

1. 范疇論預備知識與皮層微柱幺半群模型

本節(jié)首先回顧來自范疇論的基礎概念——具體為范疇、函子、幺半范疇和幺半群對象——它們構成了我們框架的數學基石。隨后我們引入模型的第一個核心組件：將單個皮層微柱形式化為合適幺半范疇內的幺半群對象，并定義包含這些結構的范疇 M。

2.1 范疇論預備知識

我們首先回顧標準定義（參見 Mac Lane, 1998; Awodey, 2010; Leinster, 2016 以獲得全面論述）。

范疇 (Categories)范疇 C 由一組對象（記作 A, B, C, ...）和一組態(tài)射（或箭頭，記作 f, g, h, ...）組成。每個態(tài)射 f 都有一個源對象A 和一個目標對象B，記作 f: A→B。對于任意三個對象 A, B, C，存在一個復合運算°，使得對于任意 f: A→B 和 g: B→C，它們的復合 g ° f 是從 A 到 C 的態(tài)射。復合必須是結合的：h ° (g ° f) = (h ° g) ° f（當復合有定義時）。此外，對于每個對象 A，存在一個恒等態(tài)射id?: A→A，使得對于任意 f: A→B 和 g: C→A，都有 f ° id? = f 和 id? ° g = g。我們將范疇 C 中從 A 到 B 的所有態(tài)射集合記為 Hom?(A, B)。

函子 (Functors)函子 F: C→D 是兩個范疇 C 和 D 之間的保持結構的映射。它將范疇 C 中的每個對象 A 映射到范疇 D 中的對象 F(A)，將范疇 C 中的每個態(tài)射 f: A→B 映射到范疇 D 中的態(tài)射 F(f): F(A)→F(B)。這種映射必須保持恒等性（對所有 C 中的對象 A，有 F(id?) = id_F(A)）和復合性（對所有 C 中可復合的態(tài)射 f, g，有 F(g ° f) = F(g) ° F(f)）。函子是關聯不同范疇同時尊重其內在結構的基本映射。

幺半范疇 (Monoidal Categories)幺半范疇是配備了用于組合對象的附加結構的范疇 C。形式上，它由一個范疇 C、一個張量積雙函子 ?: C×C→C、一個單位對象I ∈ Ob(C)，以及稱為結合子（α?, B, C: (A?B) ?C ? A? (B?C)）、左單位子（λ?: I?A ? A）和右單位子（ρ?: A?I ? A）的自然同構組成。這些同構必須滿足某些一致性條件（Mac Lane 的五邊形和三角形恒等式），確保使用 ? 和 I 組合多個對象的不同方式是規(guī)范等價的。幺半范疇為"張量"或組合元素的操作（如集合范疇Set中的笛卡爾積，或向量空間范疇Vect中的張量積）提供了一個一般性框架。

幺半對象 (Monoid Objects)在任何幺半范疇 (C, ?, I) 中，可以內部定義代數結構。一個幺半對象（或內部幺半群）由一個對象 M ∈ Ob(C) 和兩個態(tài)射組成：一個乘法μ: M?M→M 和一個單位η: I→M。這些態(tài)射必須滿足幺半群公理的內部版本：

• 結合性

• 單位性

一個標準幺半群（例如，整數在加法下）正是幺半范疇 (Set, ×, {}) 中的一個幺半對象，其中 × 是笛卡爾積，{} 是單元素集。

2.2 將微柱建模為幺半群對象

新皮層被組織成垂直結構，跨越其各層，特別是在許多感覺和聯合區(qū)域，被稱為皮層柱和微柱 (Mountcastle, 1997)。一個微柱通常由 80-120 個神經元組成，表現出密集的內部連接，通常被視為一個基本計算單元，根據其內部狀態(tài)和遞歸動力學對其輸入執(zhí)行變換 (Buxhoeveden & Casanova, 2002; Douglas & Martin, 2004)。

我們提議通過將其建模為合適的基礎幺半范疇內的幺半群對象 (M, μ, η) 來捕捉微柱內部處理的基本代數結構，我們將該范疇記為 Cstate。Cstate 的選擇取決于所需的細節(jié)水平（例如，對于離散狀態(tài)可以是 Set，對于拓撲狀態(tài)空間可以是 Top，或者動力學系統范疇）；目前，我們僅要求它是幺半的。

? 對象 M ∈ Ob(Cstate) 代表微柱的狀態(tài)空間（例如，可能神經活動模式的集合或空間）。

? 乘法態(tài)射 μ: M?M→M 代表內部變換的組合或微柱狀態(tài)隨時間的演變。張量積 M?M 代表一種組合狀態(tài)信息的方式（例如，當前狀態(tài)和輸入，或時間 t 的狀態(tài)和時間 t+1 的狀態(tài)以產生 t+2 的狀態(tài)）。結合律公理 (μ ° (μ ? idM) = μ ° (idM?μ) ° α) 確保這些內部動力學的順序組合表現一致。

? 單位態(tài)射 η: I→M 代表一個恒等變換或中性/基線狀態(tài)。它挑選出 M 中的元素（或從單位對象 I 映射），該元素作為組合 μ 的中性元素。單位律公理確保與恒等變換組合沒有效果。

這種幺半群對象形式化抽象掉了具體的生物物理細節(jié)（如脈沖計時或神經遞質類型），以專注于微柱內部計算的代數結構——即操作序列或狀態(tài)轉換如何以結合方式組合。

2.3 微柱范疇 (M)

在將單個微柱定義為幺半群對象之后，我們將它們組裝成一個范疇，記為M。該范疇將新皮層表示為一組相互作用的計算單元的集合。

總之，范疇M為新皮層提供了一種形式化表示，將其視為由計算結構化單元（幺半群對象）組成的網絡，這些單元通過尊重該結構的通路（幺半群同態(tài)）連接。這為我們將在后續(xù)章節(jié)中構建與皮層下系統相互作用的模型奠定了基礎。

1. 皮層下模塊范疇 S 及其幺半結構

在定義了代表皮層片層的范疇 M 之后，我們現在引入第二個范疇 S，用以容納與皮層相互作用的多樣皮層下結構。大腦的一個關鍵架構特征是多個不同皮層下回路的并行運作。為了形式化地捕捉這種并行性，我們?yōu)?S 配備了幺半范疇的結構，使我們能夠表示獨立皮層下處理通路的組合。

3.1 幺半范疇 S

我們將 S = (Ob(S), Hom_S, ?, I) 定義為一個幺半范疇，其中：

• 對象 (Ob(S))：S 的對象代表單個皮層下模塊、核團或定義的處理通道。這些是與皮層范疇 M 相互作用的基礎皮層下組件。示例包括特定的丘腦核團（例如，外側膝狀體 - LGN，內側膝狀體 - MGN，腹外側核 - VL），參與基底節(jié)回路的組件（例如，紋狀體中等多棘神經元群，蒼白球內/外節(jié) - GPi/GPe，黑質網狀部 - SNr），小腦微區(qū)或復合體，海馬亞區(qū)或集合（例如，參與重放的 CA1、CA3 區(qū)域），以及關鍵的神經調節(jié)中心（例如，去甲腎上腺素的藍斑 - LC，多巴胺的腹側被蓋區(qū) - VTA，乙酰膽堿的基底前腦核團）。
• 態(tài)射 (Hom_S(X, Y))：S 內的態(tài)射代表皮層下系統內部的結構保持變換或處理步驟。例如，一個態(tài)射可以代表發(fā)生在特定丘腦核團內的信號變換，或者是連接基底節(jié)回路內兩個階段的通路，這兩個階段都被視為 S 的一部分。這些態(tài)射的確切性質取決于為皮層下對象的內部動力學所選擇的抽象層次（例如，狀態(tài)空間之間的映射，保持動力系統結構的變換）。
• 張量積 (?: S×S→S)：雙函子 ? 定義了 S 中的幺半積。至關重要的是，我們將 X?Y 解釋為兩個獨立皮層下模塊 X 和 Y 的并行組合。這使我們能夠形式化地表示多個不同皮層下通路并發(fā)運作的系統。例如，通過丘腦的并行處理流（例如，LGN ? MGN 代表并行的視覺和聽覺中繼），同時運作的不同皮層 - 基底節(jié)回路，或有助于運動控制的多個小腦微區(qū)，都可以使用 ? 積進行建模。
• 單位對象 (I)：幺半單位 I 是 S 中的一個對象，代表一個“空”或恒等模塊。它充當張量積的中性元素，使得 X?IX≌I?X。這可能代表特定皮層下通路的缺失，或者一條沒有效應的通路。

正如幺半范疇所要求的，張量積 ? 配備了用于結合律（結合子 α）和單位律（單位子 λ, ρ）的自然同構，這些同構滿足 Mac Lane 相容性條件 (Mac Lane, 1998)。這確保了由 ? 定義的并行組合在數學上是一致的，無論模塊如何分組。

3.2 皮層下模塊示例（S 中的對象）

定義 S 的力量在于其能夠在單一范疇框架內容納多樣的功能模塊。以下是對駐留在 S 中的對象類型的簡要描述，這預示了它們與 M 的特定交互模式（將在后續(xù)章節(jié)中詳述）：

• 丘腦中繼模塊 (Thalamic Relay Modules)：像 LGN（外側膝狀體）、MGN（內側膝狀體）、VL（腹外側核）這樣的對象代表丘腦核團。它們是感覺信息的關鍵中繼，并參與皮層 - 丘腦回路，實現如預測編碼等功能 (Sherman & Guillery, 2002)。它們與 M 的交互將使用伴隨函子形式化。
• 基底節(jié)通道 (Basal Ganglia Channels)：代表基底節(jié)回路組件（例如，特定紋狀體群，GPi/SNr 輸出核團）的對象駐留在 S 中。這些回路涉及動作選擇、門控和強化學習 (Gurney et al., 2001; Mink, 1996)。它們對 M 中皮層處理的影響將通過單子 (monads) 捕捉。
• 小腦微區(qū) (Cerebellar Microzones)：代表小腦模塊化計算單元（例如，浦肯野細胞 - 深部小腦核團回路）的對象屬于 S。這些涉及運動控制、計時、預測和誤差校正 (Ito, 2006; Popa et al., 2016)。它們在精細化皮層指令中的作用將使用余單子 (comonads) 建模。
• 海馬集合體 (Hippocampal Ensembles)：對應于參與記憶形成、鞏固和檢索的特定海馬回路或細胞集合（例如，CA3 遞歸網絡，CA1 輸出階段）的對象被放置在 S 中。它們在序列重放以及將記憶痕跡映射到皮層模式中的功能將使用雙函子 (profunctors) 形式化。
• 神經調節(jié)中心 (Neuromodulatory Centers)：像藍斑 (LC)、腹側被蓋區(qū) (VTA) 或基底前腦這樣的對象代表彌散神經調節(jié)系統的源核團。這些對腦狀態(tài)、可塑性和增益施加全局影響 (Aston-Jones & Cohen, 2005)。它們跨 M 的統一作用將通過自然變換建模。

本質上，范疇 S 充當多樣皮層下處理模塊的結構化存儲庫。通過將其定義為幺半范疇，我們通過張量積 ? 明確納入了并行處理的能力。將這些功能各異的模塊置于單一范疇框架 S 中，是構建皮層 - 皮層下相互作用的統一、組合模型的第二步基礎步驟（在定義 M 之后）。接下來的章節(jié)將詳細闡述定義皮層范疇 M 和皮層下范疇 S 之間交互的特定范疇構造（函子、伴隨、單子、余單子、雙函子、自然變換）。

1. 皮層-皮層下相互作用中的函子映射、伴隨與單子

在建立了范疇 M（皮層微柱幺半群）和 S（皮層下模塊）之后，我們現在利用基礎范疇構造定義它們之間的主要相互作用模式。本節(jié)展開使用函子進行基本的保結構投影，引入伴隨函子對皮層與丘腦之間預測編碼背后的互惠回路進行建模，并使用單子形式化基底節(jié)門控的計算效應。

4.1 函子映射：基本投影

在范疇之間映射結構的最基本方式是通過函子。一個函子F: M→S 將每個皮層微柱（幺半群對象）M∈M 映射到一個特定的皮層下模塊 F(M)∈S，并將 M 中的每個柱間投影（幺半群同態(tài)）f: M?→M? 映射到 S 中對應的保結構變換 F(f): F(M?)→F(M?)。根據定義，函子保持恒等態(tài)射和復合（F(id_M) = id_F(M) 且 F(g ° f) = F(g) ° F(f)）。

• 神經生物學解釋：此類函子模擬了從皮層到皮層下（或者對于函子 G: S→M 則是反之亦然）的單向通路，這些通路嚴格保持組合結構。例如，從廣泛皮層區(qū)域到腦橋核（小腦的主要輸入階段）的投影，或者從運動皮層到特定基底節(jié)輸入結構的投影，可以建模為函子 F: M→S。函子性（Functoriality）保證了跨皮層柱的處理序列和結構被忠實地轉換（翻譯）為目標皮層下結構內的對應序列。這比簡單的連接圖提供了更嚴謹的描述，確保計算連貫性在接口處得以維持。

4.2 用于皮層-丘腦回路的伴隨函子（預測編碼）

許多關鍵的腦功能依賴于皮層與皮層下結構之間的雙向通信。例如，預測編碼理論假設皮層區(qū)域與丘腦中繼之間存在一種互惠交換，以最小化預測誤差 (Friston, 2010; Rao & Ballard, 1999)。這種雙向、互補的關系被伴隨 (adjunction)的數學結構自然地捕捉。

M 與 S 之間的一個伴隨由一對函子組成：F: M→S（左伴隨）和 G: S→M（右伴隨），記作 F ? G。這對函子伴隨著一個自然同構，該同構將 S 中從 F(M) 出發(fā)的映射與 M 中進入 G(S) 的映射聯系起來：對于所有 M∈M 和 S∈S，有 Hom_S(F(M), S) ? Hom_M(M, G(S))。等價地，伴隨可以通過稱為單位 (unit)η: Id_M ? GF 和余單位 (counit)ε: FG ? Id_S 的自然變換來定義，它們必須滿足三角形恒等式 (triangle identities)以確保其相容性 (Mac Lane, 1998)。

• 神經生物學解釋（預測編碼）：我們在皮層-丘腦相互作用的背景下將 F ? G 伴隨解釋如下：
• • F: M→S 代表從皮層區(qū)域 (M) 到對應丘腦中繼核 (S，具體為 F(M)) 的“自上而下”投射。該通路從皮層向丘腦傳遞預測、先驗或語境。
  • G: S→M 代表從丘腦核 (S) 返回皮層區(qū)域（具體為 G(S)）的“自下而上”投射。該通路傳遞感覺證據，或者在預測編碼框架中，傳遞預測誤差（即自上而下的預測與自下而上的感覺數據之間的不匹配）。
  • 自然同構捕捉了預測處理中固有的對偶性：評估皮層預測 M 與丘腦狀態(tài) S 之間的匹配度（通過態(tài)射 F(M)→S）等價于將皮層狀態(tài) M 映射到丘腦狀態(tài)的皮層表征 G(S)（通過態(tài)射 M→G(S)）。
  • 單位 η: M→G(F(M)) 將皮層狀態(tài)嵌入到完整的皮層-丘腦-皮層回路表征中。余單位 ε: F(G(S))→S 將丘腦-皮層-丘腦回路表征投影回丘腦狀態(tài)。滿足三角形恒等式對應于自上而下預測和自下而上證據的有效協調，可能關聯到自由能最小化 (Friston, 2010)。

4.3 用于基底節(jié)門控的單子構造

基底節(jié) (BG) 廣泛涉及動作選擇、強化學習以及將信息“門控”進入工作記憶或運動輸出通路 (O'Reilly & Frank, 2006; Gurney et al., 2001)。這種功能可以被概念化為一種調節(jié)或變換皮層處理的計算效應。范疇論提供了單子 (monads)作為構建此類效應的典范方式。

范疇 M 上的一個單子由一個自函子 T: M→M 和兩個自然變換組成：單位 (unit)η: Id_M?T 和乘法 (multiplication)μ: T2→T（其中 T2 = T ° T）。這些必須滿足單子律（結合律和單位律）。關鍵在于，任何伴隨 F?G（其中 F: M→S, G: S→M）都會在 M 上誘導一個單子 (T, η, μ)，其中自函子是 T = G ° F，單子單位是伴隨單位 η: Id_M?GF，而乘法是從伴隨余單位 ε: FG ? Id_S 導出的，即 μ = GεF: GFGF?GF。

• 神經生物學解釋（基底節(jié)門控）：我們將與 BG 相關的皮層 - 紋狀體 - 蒼白球 - 丘腦 - 皮層回路的效應建模為皮層范疇 M 上的一個單子 T = G ° F。這里，F: M→S_BG 概念上代表從皮層到 BG 輸入結構（在 S 內）的投影，而 G: S_BG→M 代表通過 BG 輸出核團和丘腦返回皮層的回路。
• • T(M) = G(F(M)) 代表初始狀態(tài) M 經過整個 BG 回路處理后產生的皮層狀態(tài)。它是皮層表征的“門控”或“選擇”版本。
  • 單位 η: M→T(M) 將原始皮層狀態(tài) M 映射到其經 BG 處理后的表征 T(M)。這可以解釋為啟動門控過程，將當前的皮層計劃或表征發(fā)送到 BG 進行評估。
  • 乘法 μ: T(T(M)) → T(M) 捕捉了門控效應的組合性質。T(T(M)) 代表連續(xù)兩次應用 BG 處理回路。乘法 μ 確保這種迭代表現一致，本質上陳述了一旦狀態(tài)通過 T 被門控或選擇，再次應用門控過程 (T(T(M))) 會產生與第一次應用 (T(M)) 相同的結果。它防止了冗余或失控的處理，并確保該效應在結構上是冪等的 (idempotent)
  • 涉及 BG 門控的計算可以形式化地描述為單子 T 的克萊斯利范疇 (Kleisli category)Kl(T) 中的態(tài)射。一個克萊斯利態(tài)射 f: M→T(N) 代表一個始于皮層狀態(tài) M 并終于狀態(tài) N 的過程，其中計算由 BG 門控效應 T 介導或影響。強化學習信號（如多巴胺）隨后可以被形式化為隨時間修改這些克萊斯利態(tài)射的機制。

本節(jié)確立了皮層范疇 M 與皮層下范疇 S 之間三種基本的相互作用模式?；镜摹⒈＝Y構的投影被建模為函子 (Functors)。雙向的、互補的回路（如預測編碼中的回路）由伴隨 (Adjunctions)捕捉。諸如門控和選擇之類的計算效應（以基底節(jié)為例），是使用單子 (Monads)形式化的，這些單子通常直接從伴隨導出。這些構造為我們范疇框架內組裝更復雜的回路模型提供了初始構建模塊。

1. 通過雙函子實現海馬重放與通過自然變換實現神經調節(jié)

除了第 4 節(jié)描述的直系投影、反饋回路和門控機制之外，腦回路還表現出更復雜的相互作用模式。本節(jié)引入兩個進一步的范疇概念來模擬此類現象：雙函子（profunctors），用于捕捉海馬記憶重放的關系結構；以及自然變換（natural transformations），用于形式化神經調節(jié)系統的全局、統一影響。

5.1 用于海馬重放的雙函子

海馬體在記憶鞏固中起著關鍵作用，部分是通過“重放”現象，即在休息或睡眠期間重新激活對應于過去經驗的神經活動序列 (Buzsáki, 2011)。這一過程涉及分布式皮層表征（駐留在 M 中）與特定海馬神經集合（S 中的對象 H）之間的復雜映射。重放可能涉及序列壓縮、時間反轉，并代表皮層特征與海馬序列表征之間的多對多關系 (Foster & Wilson, 2006; O'Neill et al., 2010)。簡單的函子映射難以捕捉這種豐富的關系結構。

雙函子（也稱為雙模 bimodules 或分配子 distributors）提供了合適的推廣。從 M 到 S 的雙函子 P 可以定義為一個函子 P: M^op × S → Set，其中 M^op 是 M 的反向范疇（態(tài)射反轉），Set 是集合范疇 (Bénabou, 1973; Borceux, 1994)。對于由皮層微柱 M∈M 和海馬集合 H∈S 組成的每一對，雙函子分配一個集合 P(M, H)。雖然與函子相關（每個函子 F: M→S 誘導雙函子），但雙函子更為通用，能夠捕捉兩個范疇對象之間任意的“關系”或“對應”。

• 神經生物學解釋（海馬重放）
• • 我們將集合 P(M, H) 解釋為特定重放事件的集合，這些事件將由微柱 M 代表的皮層狀態(tài)與海馬集合 H 內的活動或序列狀態(tài)聯系起來。它捕捉了皮層元素在海馬序列中特征化或被其觸發(fā)的多種可能性。
  • 對 M 的反變依賴（P 是來自的函子）反映了重放事件如何可能通過索引或重構過去目標皮層狀態(tài) M 來發(fā)生。
  • 對 S 的協變依賴反映了重放過程如何在海馬回路 H 內部向前演變。
  • 雙函子復合，通過共端公式定義，提供了一種對跨中間海馬狀態(tài) (H) 的重放序列進行鏈式連接或串聯進行建模的方法。這種組合性可能提供一個抽象的抓手，用于理解碎片化記憶如何鏈接，或時間壓縮如何通過結構化轉換產生。

• 雙函子的關系本質自然地適應了記憶編碼和檢索期間觀察到的皮層與海馬體之間的多對多映射。

5.2 用于神經調節(jié)的自然變換

神經調節(jié)系統，如去甲腎上腺素 (NA)、多巴胺 (DA)、乙酰膽堿 (ACh) 和 5-羥色胺 (5-HT)，起源于相對較小的皮層下核團（表示為 S 中的對象，例如藍斑、VTA、基底前腦），但進行彌散性投射，對皮層 (M) 和皮層下 (S) 的處理施加廣泛影響。它們的效應通常被表征為增益、可塑性、喚醒或注意的全局變化，以相對統一的方式修改目標回路的計算屬性 (Aston-Jones & Cohen, 2005; Waterhouse & Navarra, 2019)。

本節(jié)介紹了預函子（profunctors）作為一種工具，用于建模海馬重放（hippocampal replay）等過程中固有的復雜關系映射，超越了簡單的函數映射。它還引入了自然變換作為描述皮層處理上全局的、結構保持的神經調節(jié)效應的精確范疇論機制。這些補充進一步增強了我們要用范疇論語言描述大腦功能和相互作用的多樣方面的表達能力。

1. 算子演算：通過接線圖進行組合

第 2 節(jié)至第 5 節(jié)介紹了一系列范疇結構，用于表示神經組件（作為 M 中幺半群（Monoids）的皮層微柱，作為 S 中對象（objects）的皮層下模塊）以及它們多樣的交互模式（函子、伴隨、單子、余單子、預函子、自然變換）。然而，迄今為止缺失的一個關鍵要素是一個形式化機制，用于將這些異質的部分組合成更大的、整合的腦回路模型。我們如何系統地將一個皮層區(qū)域、一個基底核門控回路、一個丘腦中繼以及可能的小腦調節(jié)連接在一起，同時確保生成的系統根據其各部分定義的代數性質連貫地運行？

本節(jié)介紹了我們方法的核心組合框架：一個基于算子（operads）數學理論的算子演算（Operadic Calculus）。具體來說，我們利用 David Spivak 的接線圖算子（W）來提供一種形式化的圖形語法或句法，用于從先前定義的范疇模塊構建復雜的神經系統。該演算確保組合尊重類型并保留組件的代數語義。

6.1 接線圖算子 (W)

傳統的范疇組合（通過 ° °）通常處理順序處理。為了對電路的并發(fā)和多接口特性進行建?！谶@些電路中，組件可以擁有多個輸入和輸出，并以復雜的方式連接——我們采用了算子（operads）。算子是一種代數結構，專門設計用于形式化具有多個輸入（元數，Arity, 2002; Leinster, 2003）的運算的組合規(guī)則。Spivak 的接線圖算子，記為 W，提供了一個特別直觀的框架 (Spivak, 2013)。

• 類型/對象 (Types/Objects)：W 中的“類型”對應于接口 (interfaces)，即類型化輸入和輸出端口的集合（例如，“一個類型為‘皮層狀態(tài)’的輸入，一個類型為‘門控皮層狀態(tài)’的輸出”）。
• 運算/態(tài)射 (Operations/Morphisms)：W 中的“運算”就是接線圖 (wiring diagrams)本身。接線圖可以可視化為一個帶有外部接口（即其整體輸入和輸出）的方框。在方框內部，較小的組件方框相互連接：一些內部方框的輸出被連接到其他方框的輸入，而一些輸入/輸出則連接到外部接口。這些圖可以分層嵌套。
• 算子組合 (Operadic Composition)：W 中的組合對應于將一個接線圖代入 (substituting)到另一個接線圖的指定內部組件方框（一個“插槽”或 slot）中。這種運算自然地反映了將預建的電路模塊插入到更大的系統設計中的過程。

因此，算子 W 形式化了科學家和工程師通常非正式地用來描述復雜系統的圖形語言，確保了接口的一致性，并為分層組合提供了嚴格的基礎 (Fong & Spivak, 2018; Yau, 2015)。

6.2 作為接線圖算子代數的神經模塊

算子 W 提供的抽象語法通過代數（algebra）的概念獲得了具體含義?；懂?C 上的 W 代數是一個映射，它在 C 內部解釋算子的元素。它指派（assigns）：

• 將 C 中的一個對象指派給 W 中定義的每個接口類型。
• 將 C 中的一個態(tài)射指派給 W 中的每個接線圖（運算）。

關鍵在于，這個映射必須是保持結構（structure-preserving）的：W 中接線圖的組合必須精確對應于基范疇 C 中它們對應態(tài)射的組合。

在我們的框架中，前幾節(jié)定義的范疇結構構成了 W 的一個代數。

這種方法的根本優(yōu)勢在于保證的組合完整性（guaranteed compositional integrity）。因為從 W 到我們的范疇語義的映射是一個代數，所以通過接線圖組合模塊的行為自動確保了生成的復合系統尊重為各個組件定義的所有底層代數定律（幺半群結合律、函子性、單子律、自然性條件）。該算子提供了正確管理復雜交互所需的形式化記錄（formal bookkeeping）。

6.3 組合示例：一個皮層-基底核-丘腦回路

考慮組裝一個簡化的電路，涉及皮層處理、基底核門控以及隨后的丘腦/皮層交互。我們可以使用 W 中的接線圖來表示這一點：

算子演算允許我們系統地擴展這一點。我們可以插入一個并行作用的小腦余單子，或者添加一個代表影響圖中特定組件的神經調節(jié)的自然變換。接線圖語法提供了這些連接必須如何建立的規(guī)則，而底層的算子代數保證了生成的復合物態(tài)射正確地反映了所有交互部分的組合語義。

通過接線圖算子 (W) 實現的算子演算，為我們的范疇框架提供了關鍵的組合粘合劑。它提供了一種形式化的語法，用于將由幺半群、函子、單子、余單子、預函子和自然變換表示的異質神經模塊組裝成復雜的、整合的腦回路模型。通過基于這些范疇結構定義 W 的代數，我們確保了組合過程嚴格保留了每個組件指定的代數性質和功能語義，從而實現了對復雜神經系統的系統構建和分析。該演算構成了所提出的組合神經科學新語言的核心。

1. 針對動力學、可塑性和實證驗證的豐富化

前面的章節(jié)已經闡述了組合神經科學的算子演算的形式句法和結構，主要關注腦回路的靜態(tài)架構和代數語義。然而，為了完全彌合這種抽象形式化與生物現實之間的差距，該框架必須納入處理動力學、可塑性的機制，并實現針對實驗數據的實證驗證。本節(jié)討論了這些關鍵擴展的策略并概述了潛在的路徑。

7.1 針對真實神經動力學的豐富化

標準范疇論，通常隱式地基于集合范疇 (Set)，缺乏固有的結構來充分表示連續(xù)時間、隨機性或神經狀態(tài)空間相關的度量性質。為了捕捉這些特征，我們可以采用豐富范疇論（Kelly, 1982）。這涉及用體現所需動力學或定量性質的更結構化的幺半群范疇 V 來替換作為 Hom-對象（態(tài)射集合）基礎的范疇Set。

• 豐富化范疇 (V) 的選擇：
• • 對于連續(xù)性，在 V = Top（拓撲空間）上的豐富化賦予了 Hom-對象拓撲結構，允許變換的收斂性和連續(xù)性的概念。
  • 對于隨機性，在 V = Meas（可測空間）或概率分布范疇上的豐富化允許對概率轉換和噪聲過程進行建模。
  • 對于連續(xù)時間動力學，在專門為微分方程或動力系統設計的范疇上的豐富化，也許使用開放系統的余代數框架（Jacobs, 2016），允許將時間演化直接整合到范疇結構中。多項式函子也提供了一個相關的途徑，用于以函子方式建模交互的動力學系統（Schultz, et al. 2020）。
  • 對于定量分析，在度量空間或巴拿赫空間等范疇上的豐富化可以引入距離和量級的概念。

通過在適當的基礎 V 上豐富化 M、S 以及它們之間的函子，Hom-對象 Hom(X, Y) 本身就變成了結構化空間（例如，拓撲空間、可測空間），并且組合變成了 V 中保持結構的態(tài)射。這使得形式化能夠自然地將狀態(tài)空間拓撲、概率映射和連續(xù)演化等概念整合到組合框架中。范疇系統論中的近期工作，特別是在結構化主動推斷領域內，利用了類似的豐富化思想來建模與腦功能相關的交互動力學系統。

7.2 可塑性與結構變化的建模

腦回路具有適應性，表現出功能可塑性（突觸強度的變化）和結構可塑性（連接性的變化）。我們的靜態(tài)算子框架需要擴展，以解釋這種學習和重組。

• 動態(tài)算子 (Dynamic Operads)：一種有前景的方法是使用動態(tài)算子（Shapiro & Spivak, 2022）。這些算子擴展了接線圖算子（W），允許運算本身——即接線圖——隨時間演化或依賴于狀態(tài)。這提供了一種直接的方式，在組合演算中對網絡重構、突觸權重變化或基于規(guī)則的結構適應進行建模，即使在系統學習和變化時，也能潛在地保持一致性保證。
• 動態(tài)范疇與時態(tài)邏輯 (Dynamic Categories and Temporal Logic)：相關概念包括動態(tài)范疇或利用時態(tài)邏輯框架，可能是在拓撲斯理論（topos-theoretic）框架內，為范疇結構本身演化的系統提供語義。學習規(guī)則可以被形式化為作用于范疇 M 和 S 或映射它們之間的函子及其他結構的高層變換。像動態(tài)組織（Org）這樣的框架探索了自適應系統的相關思想。

這些方法旨在超越靜態(tài)快照，將適應和學習作為神經科學算子演算中的核心要素（first-class citizens）納入其中。

7.3 經驗擬合與模型驗證

神經科學中任何理論框架的一個關鍵要求是能夠與實驗數據建立聯系并做出可檢驗的預測。將抽象的算子演算與實證觀察聯系起來，需要開發(fā)用于模型擬合、參數估計和驗證的穩(wěn)健方法論。

• 組合式系統辨識 (Compositional System Identification)：算子框架的模塊化特性使其天然適用于系統辨識的組合方法。與其擬合一個單體模型，不如旨在識別各個組件（M 和 S 中的對象、特定函子、單子參數等）的參數，這可能利用為開放動力系統開發(fā)的方法 (Bonchi et al., 2014; Baez & Fong, 2016)，并利用算子結構來約束整體擬合過程。
• 與數據特征相連接 (Connecting to Data Features)：驗證可以通過將模型預測與從神經數據中提取的特定特征進行比較來進行：
• • 介觀動力學 (Mesoscopic Dynamics)：范疇模型的參數可能與從擬合到 EEG/MEG 數據的神經場模型中估計的參數相關 (Coombes et al., 2003)。
  • 群體幾何 (Population Geometry)：模型預測的狀態(tài)空間結構（ M ∈ M ）或變換（態(tài)射）可以與從高維神經記錄中提取的幾何或拓撲屬性（例如，流形維度、曲率）進行比較。
  • 統計特征 (Statistical Signatures)：豐富范疇模型預測的動態(tài)機制可以與數據中觀察到的統計特征進行比較，例如神經元雪崩或指示臨界性的特定頻譜特性 (Beggs & Plenz, 2003)。
• 利用現代擬合技術 (Leveraging Modern Fitting Techniques)：可以調整像通用微分方程 (UDEs) 這樣的方法，它將機制模型與機器學習相結合。機制結構可以源自算子組合，而神經網絡則學習模塊內的未知函數或參數。此外，近似貝葉斯推斷技術，可能像在主動推斷中那樣以函子方式構建框架 (Friston et al., 2017)，可以提供利用實證數據進行參數估計和模型比較的原則性方法。

挑戰(zhàn)與展望 (Challenges and Outlook)：仍然存在著重大挑戰(zhàn)，包括確保模型可辨識性、為復雜組合結構開發(fā)可擴展的推斷算法，以及整合多模態(tài)數據（例如，結合 fMRI、EEG 和單單元記錄）。然而，這些方向勾勒出了一條將抽象算子演算扎根于實證現實的路徑。

為了成為神經科學中真正強大的工具，算子演算必須擁抱動力學、可塑性和實證驗證。涉及豐富范疇的策略提供了一種整合真實神經動力學（連續(xù)性、隨機性、時間演化）的方法。動態(tài)算子及相關概念為建模可塑性和結構變化提供了途徑。最后，開發(fā)用于組合式系統辨識的方法，并利用統計學、機器學習和現有建模方法中的技術將模型預測與實證數據特征聯系起來，對于將該框架扎根至關重要。雖然充滿挑戰(zhàn)，但這些擴展對于將形式演算轉化為關于腦功能的預測性和解釋性理論是必不可少的。

1. 結論與未來方向

8.1 總結與意義

本文介紹了一種用于組合神經科學的算子演算（Operadic Calculus），利用了范疇論的形式語言——包括幺半群（Monoids）、函子（Functors）、伴隨（adjunctions）、單子（monads）、余單子（comonads）、預函子（profunctors）、自然變換（natural transformations），以及至關重要的接線圖算子（operads of wiring diagrams）——以解決描述多樣神經組件如何組合成功能性腦回路這一長期存在的挑戰(zhàn)。我們提出將皮層微柱建模為范疇 M 中的幺半群對象，將皮層下模塊建模為單獨的幺半群范疇 S 中的對象。各種形式的皮層-皮層下交互通過建立在函子之上的特定范疇構造被捕捉，而接線圖算子提供了形式語法，即“演算（calculus）”，用于將這些異質模塊組裝成更大的系統，同時保證保留它們的代數語義。

采用這樣一個框架對神經科學的潛在影響可能是變革性的：

1. 統一性與模塊化 (Unification and Modularity)：這種方法提供了一種統一的語法來描述和整合多樣的計算基序（例如，預測編碼、門控、重放、神經調節(jié)），這些通常使用不同的、往往不兼容的形式體系進行建模。固有的模塊化允許通過定義明確、可重用的組件及其結構化交互來理解復雜系統。
2. 形式嚴謹性與驗證 (Formal Rigor and Verification)：通過將回路模型建立在精確的數學結構之上，該框架實現了更高的嚴謹性。算子演算保證了在組件層面指定的代數性質在組合過程中得以保留，從而促進了更可靠且潛在可形式驗證的神經計算模型的構建。
3. 生成性與新假設 (Generativity and Novel Hypotheses)：算子演算提供的組合語法可以作為一個生成式框架，允許研究人員系統地探索新穎的回路配置及其潛在功能。它還可能激發(fā)關于認知的組合結構（例如，在語言或規(guī)劃中）與神經回路的底層組合架構（可能反映在算子組合規(guī)則中）之間關系的新假設。

8.2 未來研究方向

實現這一算子演算的全部潛力需要在理論、計算和實證領域進行大量進一步的研究。主要方向包括：

1. 針對動力學和隨機性的豐富化 (Enrichment for Dynamics and Stochasticity)：正如第 7 節(jié)所討論的，利用豐富范疇論（基于TopMeas或動力系統范疇等基）擴展該框架，對于捕捉真實神經動力學的連續(xù)時間、隨機性和度量方面至關重要。
2. 可塑性與適應性的建模 (Modeling Plasticity and Adaptation)：納入學習和發(fā)展需要超越靜態(tài)結構。開發(fā)和應用動態(tài)算子或用于動態(tài)范疇和時態(tài)邏輯的相關框架，對于在組合設置中對突觸可塑性和網絡重組進行建模至關重要。
3. 實證基礎與驗證 (Empirical Grounding and Validation)：需要付出巨大努力來開發(fā)穩(wěn)健的方法論，將組合范疇模型擬合到大規(guī)模、多模態(tài)神經數據（例如，EEG、fMRI、電生理學、連接組學）中。這涉及推進組合式系統辨識技術，專門設計實驗以測試組合預測，并將抽象范疇結構與神經活動和行為的測量特征聯系起來。
4. 理論整合與工具鏈 (Theoretical Integration and Toolchains)：將算子演算與其他相關理論框架（例如，信息論、控制論、統計物理學）聯系起來可能會產生更深刻的見解。關鍵在于開發(fā)可訪問且穩(wěn)健的軟件庫和工具鏈（建立在 AlgebraicJulia/Catlab 等努力之上或開發(fā)神經科學專用平臺），這對于使更廣泛的神經科學社區(qū)能夠使用這些高級數學技術至關重要。
5. 跨學科合作 (Cross-Disciplinary Collaboration)：進展將很大程度上依賴于范疇論學家、計算神經科學家、認知科學家和實驗神經科學家之間持續(xù)、緊密的合作，以確保數學形式體系保持生物學相關性且可經實證檢驗。

8.3 結語愿景

此處提出的算子演算為組合神經科學提供了一種新語言的藍圖——這種語言將組合性（compositionality）視為腦組織的一項基本原則。盡管仍存在重大挑戰(zhàn)，特別是在彌合與復雜生物細節(jié)和實證數據之間的差距方面，但潛在的回報是巨大的：從描述性或現象學模型轉向對神經組件如何組裝以產生知覺、認知和行為的更具原則性、生成性和形式化基礎的理解。通過提供嚴謹推理神經系統結構和組合的工具，這一框架（通過上述協作努力進一步發(fā)展）有望在未來幾年和幾十年內顯著推進我們要理解腦計算架構的探索。

原文鏈接：https://www.researchgate.net/profile/Debi-Prasad-Ghosh/publication/391439657_Compositional_Neuroscience_Seeking_a_New_Language_for_Brain_Circuits_with_Monoids_Functors_and_Operads/links/6817a446df0e3f544f51de69/Compositional-Neuroscience-Seeking-a-New-Language-for-Brain-Circuits-with-Monoids-Functors-and-Operads.pdf