在生物振荡器系统中,相干时间限制了状态记录的速率
《BioSystems》:Coherence time in biological oscillator assemblies bounds the rate of state registration
【字体:
大
中
小
】
时间:2026年03月14日
来源:BioSystems 1.9
编辑推荐:
伊恩·托德
悉尼大学悉尼医学院,澳大利亚新南威尔士州悉尼
**摘要**
决定分布式神经集合同步速度的物理原理——以及认知过程中神经过程的速度——尚未完全形式化。我们推导出了耦合振荡器网络的一致性时间界限:不可逆状态记录(“承诺”)之间的最小间隔与协调深度M成指数关系
伊恩·托德
悉尼大学悉尼医学院,澳大利亚新南威尔士州悉尼
**摘要**
决定分布式神经集合同步速度的物理原理——以及认知过程中神经过程的速度——尚未完全形式化。我们推导出了耦合振荡器网络的一致性时间界限:不可逆状态记录(“承诺”)之间的最小间隔与协调深度M成指数关系。对于在一致性r下需要相位对齐的M个半独立模块,承诺速率主要由配置环面上的罕见事件首次通过时间决定,这产生了一个基本的速度-灵活性权衡——增加M会提高组合灵活性,但会指数级减慢承诺速度;增加r会加速同步,但会将动态限制在低维流形上。Kuramoto模拟验证了模块网络中的预期缩放关系(R2=0.97),并界定了全连接和稀疏拓扑结构中的不同区域。使用独立约束的参数,该框架恢复了经验上的30-50毫秒视觉绑定窗口,并表明在生物神经系统中,协调时间远远超过了量子、热力学和功率限制。我们还开发了该框架的探索性扩展:一个预承诺“相位差”区域,在该区域内,结构化的相位偏移在记录之前就影响了下游结果;提出了该区域的潜在生物物理基础;以及对α同步、压力相关的时间扭曲和主观时间的药物调节的定性预测。因此,我们的核心主张是谦逊且可检验的:在具有可识别模块协调结构的系统中,多模块相位对齐可能是生物处理的主要限制步骤。
**1. 引言**
1.1. 生物振荡器集合中的处理速度
系统神经科学的一个基本见解是,认知源于神经集合之间的相干振荡,而不仅仅是单个脉冲率。工作记忆的维持涉及以离散振荡爆发形式组织的θ-γ相位-幅度耦合(Miller等人,2018;Lisman和Jensen,2013;Lundqvist等人,2016)。注意力选择性地增强了γ波段的区域间同步(Fries,2015;Womelsdorf等人,2007)。感知绑定依赖于视觉皮层之间的瞬态相位对齐(Singer,1999;Engel等人,2001)。长距离通信在相干状态下更倾向于发生(Varela等人,2001)。通过相干性的“通信”框架(Fries,2005)已成为理解神经计算的核心。
然而,尽管有大量的实证研究,但关于分布式集合达到相干性的速度——以及认知操作背后的神经过程进行速度的物理原理——仍然没有完全形式化。为什么感知绑定需要30-50毫秒而不是3毫秒或300毫秒?为什么整合更多信息的更大集合处理得更慢?是什么决定了振荡频率与时间敏锐度之间的关系?
1.2. 作为处理速率物理界限的一致性时间
最近的研究认为,生命智能是高维、自维持动态系统的涌现属性,这些系统能够抵抗退相干(Todd,2026),这一观点建立在对抗适应性生物系统中的可证伪性限制(Todd,2025a)和亚兰道尔计算中的时间不可达性(Todd,2025b)的分析基础上。本文探讨了另一个互补问题:对于这样一个相干的高维系统,什么决定了它可以记录变化并更新其状态的最快时间尺度?我们将此定义为不可逆“承诺”事件之间的最小间隔:在这些事件中,分布式动态变得对下游机制可读,这与感知在离散周期中运作的新兴观点一致(VanRullen,2016)。这个承诺间隔受到协调项(作为乘积流形上的首次通过问题的一致性时间)以及量子、噪声和功率限制的约束。
**1.3. 本工作的结构**
我们首先从耦合振荡器网络中的相位同步原理推导出一致性时间公式(第2.1节),然后描述了速度-灵活性权衡(第2.2节)。第2.3节从结构化相位差动态的角度探讨了预承诺间隔的探索性解释。第2.4节将该框架置于计算物理限制的层次结构中,讨论了兰道尔限制、Margolus–Levitin量子速度限制和能量-时间不确定性关系。第2.5节提供了参数估计协议。第3节将框架应用于神经系统,展示了与感知绑定窗口、快速视觉感知和解离以及代谢缩放的定量一致性。第4节讨论了泛化、探索性扩展、限制和可检验的预测。
**2. 理论和方法**
2.1. 统一的时间分辨率界限
我们将生物时间处理建模为一系列承诺——这些热力学上不可逆的事件将高维内部状态记录为低维输出。一个承诺需要:(1)从分布式状态(Deff维)到记录结果的维度坍缩,(2)每个比特至少耗散kBTln2的能量(兰道尔限制),以及(3)创建一个影响未来动态的持久测量。承诺之间的最小时间受到四个物理限制的约束:
**2.2. 协调深度M**
协调深度M是指必须同时满足的半独立模块(功能簇)的数量,其序参量必须共同超过阈值。这可以通过在带限一致性网络上的社区检测或解剖学划分来估计。
**2.3. 有效独立性α**
有效独立性α是指实际独立的潜在约束维度的比例。这可以通过以下方式估计:
- 模块相位协方差的参与比率(公式(5);
- 或者在不同任务条件下τ与M的实证缩放。
**2.4. 功率限制τpower**
功率限制τpower由ΔD在维度化学势λD~kBTeff下的能量消耗决定。在持续功率P下,承诺速率受τpower=λDΔDP的限制。对于皮层视觉绑定,ΔD~50(视觉皮层集合的参与比率,坍缩为约5比特的输出),λD≥kBTln2≈3×10?21 J(兰道尔下限),P~10?? W(约10?个神经元的皮层集合的功率预算)。这在兰道尔最小值下产生τpower~10?1?秒。生物神经元在能量上效率低下:离子通道计算每自由度耗散的能量约为兰道尔下限的10?倍(Landauer,1961)。即使在这种生物物理尺度下,τpower仍约为τcoh的六个数量级。因此,在神经系统中,功率限制并不具有约束力。
**2.5. 本工作的结构**
我们首先从耦合振荡器网络中的相位同步原理推导出一致性时间公式(第2.1节),然后描述了速度-灵活性权衡(第2.2节)。第2.3节引入了预承诺间隔的结构化相位差动态的解释。第2.4节将框架置于计算物理限制的层次结构中,讨论了兰道尔限制、Margolus–Levitin量子速度限制和能量-时间不确定性关系。第2.5节提供了参数估计协议。第3节将框架应用于神经系统,展示了与感知绑定窗口、快速视觉感知和解离以及代谢缩放的定量一致性。第4节讨论了泛化、探索性扩展、限制和可检验的预测。假设在提交时间尺度上各个模块是独立的,那么对齐事件?A?在M-环面TM上是一个罕见的目标集。在快速混合的情况下,相对于目标集的大小,首次通过时间大致呈指数分布,平均值为?τ≈1/(尝试率×P(A?))——这是Kac递归定理的一种形式(Kac,1947年)。**命题1:混合下的首次通过时间**设X(t)是一个在状态空间X上的遍历马尔可夫过程,具有平稳分布π和混合时间τmix(从最坏情况初始状态开始,直到‖Pt(x,?)?π‖TV≤1/4的时间)。对于一个目标集A?X且π(A)?1,命中时间TA=inf{t:X(t)∈A}满足:E[TA]≈τmixπ(A)随着π(A)→0。此外,当π(A)?1时,TA/E[TA]大致呈指数分布。这是马尔可夫链中罕见事件理论的一个标准结果(Kac,1947年;Levin和Peres,2017年)。关键假设是遍历性和过程在远短于预期命中时间的时间尺度上混合。在我们的设置中,“混合”意味着由τmix分隔的连续相位配置大致是从平稳分布中独立抽取的样本;因此采用了伯努利试验的启发式方法:每个混合间隔是一次独立的“尝试”来落在?A?中。
**尝试率**。设τmix表示联合相位过程的混合时间——相位配置变得与其初始状态大致独立的时间尺度。单位时间内的独立“对齐尝试”有效数量约为1/τmix。我们定义尝试率为:λattempt≡1/τmix(单位:s^-1)。这不是振荡的载波频率,而是相对相位配置有效“重采样”的速率。我们根据模块间序参量zinter(t)=1/M∑meiψm(t)的逆相关时间来估计λattempt,其中ψm(t)是模块m的平均相位。相关时间τmix定义为自相关函数|zinter(t)|的1/e交叉点,因此λattempt=1/τmix。
**单位约定**。我们以s^-1报告λattempt。当使用频谱扩散代理时,Δω(rad/s)是瞬时相位速度的标准差;相应的频率扩散为Δf=Δω/(2π)(Hz)。在弱耦合情况下,λattempt≈Δω(因为弧度是无量纲的,Δω(rad/s)和λattempt(s^-1)可以直接比较);等价地,λattempt≈2πΔf。
**模拟代理**。在模拟中,λattempt直接从|zinter(t)|的自相关中测量得出,这给出了1/τmix(s^-1),没有角度歧义。频谱扩散代理仅用于一致性检查。对于神经数据分析,我们建议从模块间相位偏差的自相关时间来估计λattempt,这直接测量了混合时间尺度。
**推论3:?τcoh=1/λattemptp1(?,κ(r))?(M?1)**。放宽方程(3)中对耦合模块的独立性假设,有效指数会降低:**推论4:**其中α捕捉了有效独立性(一个减少相关性的指数:对于完全独立的模块,α=1;当模块间耦合引起相关性,减少有效约束数量时,α<1)。
**估计有效约束维度**。定义有效约束维度:deff=α(M?1)。这可以从模块相位的协方差结构中估计得出。设C为相位偏差δψm=ψm?ψ?的M×M协方差矩阵。参与度比提供了一个操作性估计:**公式5:**d?eff=(trC)^2/tr(C^2)=∑iλi^2∑iλi^2,其中λi是C的特征值。参与度比和相关基于流形的摘要是量化有效神经维度的标准经验工具(Cunningham和Yu,2014年;Stringer等人,2019年)。因为δψm是均值中心的(∑mδψm=0),所以当所有非零特征值相等时(完全独立),C的秩最多为M?1;当单一模式占主导时(完全相关),参与度比接近1。从d?eff,我们得到α?=d?eff/(M?1)。
**为什么相关性会影响指数**。对于在[?π,π]上均匀分布的独立相位偏差δψm,所有M个模块在?±?/2内对齐的概率随?~?^M?1而变化。然而,当偏差具有有效秩deff时,小对齐邻域的度量像??deff那样变化(取决于相关结构的常数)。因此指数实际上是deff,这解释了α(M?1)≈deff。这类似于相关高斯的有效维度:如果X~N(0,Σ)且特征值为λi,那么??球的体积像??deff那样变化,其中deff=(∑iλi)^2/∑iλi^2(参与度比)。
**PR与缩放指数之间的关系**。参与度比估计了相位协方差矩阵的有效秩,而方程(4)中的α修改了环面上罕见事件概率的指数。这两者相关但不相同:PR给出了相关性的有效秩,而缩放指数取决于该秩如何转化为目标集的度量。PR为有效约束维度提供了上限,当特征值结构线性映射到对齐概率时近似相等——这在中等相干性(r~0.3–0.7)时成立,但在极端情况下可能会失效(非常低的r,所有特征值几乎相等,或者非常高的r,条件依赖于主导模式时)。补充验证(测试3)显示在中等相干性范围内,PR作为α(M?1)的操作性估计器的经验一致性在15%以内。
**对数线性形式**。取对数使得M中的指数缩放变得明确:**?logτcoh=?logλattempt?α(M?1)logp1(?,κ(r))**。由于p1<1,我们有?logp1>0,因此相干时间随有效约束维度α(M?1)呈指数增长。
**关键假设**。方程(4)依赖于:
**下载:**下载高分辨率图像(288KB)
**下载:**下载全尺寸图像
**图1. 相干时间缩放:**验证(模块化)和区域边界诊断(全连接,稀疏)。
(A) 模块化,(B) 全连接,(C) 稀疏随机网络(N=100个振荡器,K=0.7,??=1.0 rad,每M次20次尝试)。点显示中位数相干时间τcoh及其四分位数范围(误差条)。对于Kaplan–Meier中位数超过60秒观察窗口的严重删失点,向上的箭头表示从该观察范围开始的下限;完全删失的M值(未观察到提交)被省略。我们使用两种方法拟合方程(4):
(i) 理论一致:?log(τ?λattempt)=α(M?1)[?logp1(?,κ(r?inter))]+c,使用轨迹平均的模块间相干性r?inter(包括删失的数据,以估计平稳分布);
(ii) 线性化替代:log(τ?λattempt)≈α?c??(1?r?inter)(M?1)+c′,用于比较。虚线显示拟合预测,并标明了α?和R2值。三种拓扑结构分别用于验证(模块化)和区域边界诊断(全连接,稀疏)。模块化网络(α?≈1,R2=0.97,n=5个M值):模块间几乎独立,理论的假设得到最佳满足,验证最强。全连接耦合(α?≈1通过线性化替代,n=8):区域边界诊断;当r?inter≈1时,理论一致拟合条件不佳,导致?logp1≈0。稀疏随机网络(α?≈0.1,R2=0.28,n=4):区域边界诊断;强相关性会削弱有效约束,证实模块化架构是缩放律的必要条件,而不是验证的偶然特征。
1. **平稳性:**相位分布在提交时间尺度上大致是平稳的。
2. **快速混合:**联合相位过程相对于目标集的大小快速混合,因此首次通过时间大致呈指数分布(在条件于缓慢变化的参数如r后无记忆)。
3. **弱耦合:**模块在提交时间尺度上半独立;强耦合会同步相位并减少有效M。
4. **尝试率解释:**λattempt代表相位偏差的逆相关时间,而不是载波频率。
**诊断:**如果这些假设成立,条件于r后的提交间隔应该大致呈指数分布。偏差表明强耦合、亚稳态或非平稳性。补充模拟支持这一诊断(图2):条件于狭窄的rinter区间的等待时间大致呈指数分布(Kolmogorov–Smirnov检验),尽管分析基于观察到的命中事件而不是完整的删失生存过程。
**停留时间和缩放分析**。定义1要求对齐持续一个停留时间Tdwell。这引入了一个“保持概率”q(Tdwell;r)——一旦对齐实现,它持续的时间Tdwell。有效提交率变为?λattempt?P(A?)?q,因此q重新规范了前因子,但不改变由?P(A?)完全驱动的M中的指数缩放。在模拟中我们明确强制执行停留时间;对于缩放分析,q被吸收进λattempt作为常数因子校正,并从|zinter(t)|的相关性中经验性地估计。
**模拟限制**。在模块化Kuramoto验证(图1)中,我们在固定总人口N的情况下改变M,这改变了模块大小(~N/M)。这可能会引入有限尺寸效应并改变模块内与模块间的耦合平衡。为了更清晰的M缩放,可以通过将N与M成比例来保持模块大小不变。尽管有这个限制,模块化网络中的指数缩放仍然很强(R2=0.97),并且在全连接和稀疏拓扑中质量上是一致的,尽管在违反理论的模块化假设时,定量拟合质量会下降(见图1的标题)。
**重尾等待时间**。即使底层过程可以很好地用方程(4)描述,经验观察到的提交间隔也可能表现出重尾。当r(t)、λattempt(t)或网络状态相对于提交时间尺度缓慢漂移时,这种情况自然会发生。边际等待时间分布变成了指数分布的混合(Cox或双重随机过程),这可以产生类幂律的尾部。关键的可测试预测是,条件于狭窄的r区间内的等待时间应该大致保持指数分布,即使无条件分布是重尾的。
**解释**。M是协调深度:必须共同超过阈值才能注册提交的半独立模块(功能簇)的数量。模块不是单独的振荡器:模块内的相干性被吸收进模块的聚合相位估计中。λattempt是尝试率:模块间相位去相关的特征率,而不是载波频率。容忍度??是完整的相位窗口宽度(以弧度计);??=π/2对应于±45°的对齐容忍度,这在γ带结合中是典型的。
**下载:**下载高分辨率图像(276KB)
**下载:**下载全尺寸图像
**图2. 条件指数性诊断**。无条件的提交间隔分布可能呈现重尾。条件于观察到的提交之间的模块间相干性rinter的狭窄区间,每个区间内的等待时间大致呈指数分布(Kolmogorov–Smirnov检验),这与指数混合的解释一致,其中r(t)的缓慢漂移扩大了边际等待时间分布。因为这种分析基于观察到的命中事件,所以应该将其视为诊断而不是完整的生存模型验证。
**基本假设:**连续的协调变量。该框架关注连续的相位变量作为协调基础。提交定义、对齐概率和罕见事件统计自然以相位坐标表示,因为相位可以在提交之间探索配置空间——这是我们建模的首次通过几何的核心要求。如果提交是离散的状态注册(尖峰级联、读出事件),并且相位差区域被解释为连续的、高维的探索,那么应该寻找一个类似的连续协调基础。这限制了候选基础。化学突触传递需要突触前尖峰和定量囊泡释放;神经调节剂对于振荡协调来说相对较慢;而间隙连接虽然连续,但在皮层中是稀疏的。因此,一个合理的候选者是细胞外电场:它在空间和时间上是连续的,跨模块空间扩展,并且可以通过局部场电位测量。Ephaptic耦合(Anastassiou等人,2011年;Pinotsis等人,2023年;Han等人,2018年)提供了这种场结构调节尖峰时序的一种机制。
**应该将其视为一个工作的生物物理假设,而不是数学强制的定理。**相干时间框架需要某种连续的协调变量,但它本身并不证明细胞外场是唯一的候选者。突触的、树突的和其他亚阈值状态变量也可能参与。更狭义的说法是,如果这种结构在功能上重要,那么场级测量是寻找预提交相位结构的一个自然场所。场效应在因果上是合理的,因为细胞外电场调节膜电位,而膜电位影响尖峰时序(Anastassiou等人,2011年)。因此,开放的实证问题是场效应是否存在,以及它们相对于给定范围内的突触耦合有多重要(Anastassiou等人,2011年;Beggs和Plenz,2003年;Shew和Plenz,2013年)。该框架建议了一个特定的依赖性:小时间扰动的功能影响应该随着有效维度Deff的增加而增加,因为更高维度的相位结构创造了更多的半独立时间关系,通过这些关系弱扰动可以传播。相位差制度:承诺前的计算
相干时间公式(方程(4)描述了多模块同时对齐的等待时间。一种自然的解释是将承诺前的间隔视为被动探索——随机相位扩散,直到对齐偶然发生。另一种更有趣的可能性是,这个间隔中的一部分是经过计算结构化的,而不仅仅是空闲的。
**定义2 相位差制度**
相位差制度是一种动态状态,在这种状态下,模块间的相位差 Δψmn(t)=ψm(t)?ψn(t) 保持在一个结构化的(非均匀的)配置中,这种配置持续的时间超过 1/λattempt,但并不满足所有对的对齐标准 ?|Δψmn|。形式上,当系统满足以下条件时,它处于相位差制度:
1. 相位差是结构化的:{δψmn} 的分布是非均匀的,集中在反映耦合拓扑和近期历史的优选偏移附近。
2. 相位差没有锁定:模块间的相干性 rinter 保持在一个远离 1 的范围内,保留了相对相位子空间中的自由度。
3. 配置偏置了未来的承诺:给定当前相位差,承诺结果的条件概率与无条件概率不同。
在这种制度下,系统可以被解释为执行模拟计算:模块间不断演变的相位关系更新了哪些承诺结果是可访问的,但尚未记录一个离散状态。根据这种解释,承诺本身不是计算,而是对相位差间隔内已经发生的计算的读出。
一个包含 m 个模块的系统大部分时间都处于未承诺状态。处于承诺状态的时间比例按 ?p(a?)∝p1α(m?1) 的比例变化,对于生物学上相关的参数(m~8, p1~0.7, α~0.7),这导致 ?p(a?)~0.15。因此,大约 85% 的动态发生在更广泛的承诺前阶段。如果相位差的解释是正确的,那么大部分的偏置动态发生在承诺之前。
**无碰撞的偏置**
标准的神经振荡文献将相位同步视为一种绑定机制:当相位锁定时,来自不同模块的信息被绑定到一个统一的表示中(singer, 1999, fries, 2005)。相位差框架提出了不同的解释。计算上相关的阶段不是相位锁定本身,而是相位锁定的方法——在结构化相位关系偏置下游动态的间隔内,而不会崩溃到承诺状态。这种区别很重要,因为偏置和绑定具有不同的计算特征:
- **绑定(相位锁定,rinter→1)**:崩溃了模块间的相位自由度。系统占据一个低维的同步流形。下游读出是可能的,但失去了组合灵活性。
- **偏置(结构化相位差,中间 rinter)**:在限制它们分布的同时保持模块间的相位自由度。系统以各向异性的概率探索高维配置空间——某些承诺结果变得比其他结果更容易访问,但尚未确定。
**承诺前偏置的生物物理机制**
结构化的相位关系如何在承诺发生之前影响下游电路?一个可能的途径是通过细胞外场调节兴奋性:振荡相位可以通过突触效应(anastassiou 等人,2011,fries,2005)来偏置膜电位,因此即使没有同步放电,结构化的模块间相位偏移也可能在下游目标中创建空间模式的增益场。这种偏置可以通过更传统的突触机制来巩固,包括亚阈值树突整合和短期突触 facilitation 或 depression。在这种解释中,场介导的成分是分级的且可逆的,而突触巩固提供了最终承诺所需的持久性。
**速度-灵活性权衡(命题 2)**
现在可以用相位差制度来重新表述:增加 r 会加速从相位差制度到承诺的过渡,但缩短了承诺前可用的模拟计算时间。承诺太快的系统会失去探索相位差制度的计算优势;从未承诺的系统则无法记录下游使用的结果。
**相位差制度的亚兰道尔操作**
如果相位差间隔确实是模拟的并且是承诺前的,那么其维持不需要承担与不可逆擦除相关的每比特兰道尔成本。兰道尔原理(landauer, 1961)适用于逻辑上不可逆的操作——具体来说,是擦除或覆盖一个离散状态。相比之下,维持结构化的相位关系可以解释为在读出之前对未来结果的连续偏置。相关的能量成本是维持这种偏置所需的耦合能量,而不一定是每比特擦除成本。这种解释与连续生物基质中时间不可访问性的分析一致(todd, 2025b):具有连续状态变量的系统可以在不跨越离散擦除阈值的情况下偏置未来的轨迹,因为中间状态不需要被破坏。在这个框架内,相干时间 τcoh 量化了在累积的相位关系要么承诺(在 ?? 范围内对齐)要么去相关(偏置消散)之前这种偏置可以维持的时间。
**连续动态的离散结构**
一个自然的反对意见是,智能产生离散结构——音素边界、分类感知、运动原语、遗传代码——这种离散性意味着本质上是组合计算。相位差框架解决了这种紧张关系:离散结构不是计算的基质,而是其输出,在 m?1 个连续相位自由度崩溃到低维注册状态的承诺时出现。代码形成——出现有限的可区分输出字母表——是维度崩溃的涌现属性,而不是架构上的先决条件(见 todd, 2026 中的定理 2)。组合爆炸是低维、碰撞密集系统的属性;高维连续动态避免了它,因为轨迹通常不会发生碰撞(todd, 2026)。相位差制度利用这种无碰撞的几何结构来偏置结果,而不需要组合分支;离散结构和组合能力只在承诺接口出现。
**计算的量子与热力学限制**
基于协调的框架如何与基本物理限制相关?有三个相关的限制。兰道尔原理(landauer, 1961, bormashenko, 2024)要求在生物温度下每个不可逆比特至少耗散 kbtln2≈3×10?21 j 的能量——这是一个能量限制,而不是时间限制。margolus–levitin 定理(margolus 和 levitin, 1998)和 mandelstam–tamm 关系(mandelstam 和 tamm, 1945)共同确立了量子速度限制 τqsl=max[π?/(2〈e〉),?/(2δe)],这源于能量-时间不确定性关系 δe?δt??/2(khrennikov, 2021, igamberdiev 和 shklovskiy-kordi, 2025, igamberdiev, 2026)。正如 bormashenko(bormashenko, 2024)所指出的,综合这些限制得到最小计算时间 τmin~h/kbt。在生物温度(〈e〉~kbt)下,τqsl~10?13 s。
**皮层视觉处理的层次结构**为:
(6) τqsl~10?13s(量子速度限制)
(7) τpower~10?15–10?8s(功率限制;见第 2.1 节)
(8) τsnr~10?3s(信号检测)
(9) τcoh~10?2s(协调时间)
对于神经尺度能量,qsl 和兰道尔限制远低于观察到的认知时间尺度;在这个阶段,它们不是速率限制。这种差距(大约十一个数量级)是因为神经计算不是由单个元素切换状态的快慢决定的,而是由分布式组件达到协调相位对齐所需的时间决定的。即使是适度的协调(m~5–15)也能从微秒级的相位动态产生毫秒级的相干时间。量子和热力学限制设定了任何物理过程必须遵守的绝对下限,但生物神经系统在一个多模块协调提供处理速率的绑定限制的制度中运行。
**参数估计协议**
**协调深度(m)**
m 是必须共同超过阈值以注册承诺的半独立模块的数量。
- 操作估计:
1. 通过带限相干性或 granger 因果性将集群通道/单元分组到模块中。
2. 确定其联合活动预测行为承诺的最小模块集。
- 典型值:枕叶视觉任务产生 m~6–10;跨模态绑定 m~10–15。
**相干参数(r)**
通过希尔伯特变换从带通滤波的 lfp/eeg 中提取瞬时相位 θj(t)。对于相干时间模型,我们区分:
- 模块内相干性:rintra,m(t)=|1nm∑j∈meiθj(t)|,其中 nm 是模块 m 的通道数。
- 模块间相干性:rinter(t)=|1m∑m=1meiψm(t)|,其中 ψm 是模块 m 的总相位。
承诺需要高 rintra(模块内部相干)和罕见的模块间相位对齐(低基线 rinter,当 rinter 短暂超过阈值时发生承诺)。方程(4)中的 r 和 κ 指的是模块间分布。典型的模块间值:自发皮层 ~0.2–0.4;注意力 ~0.5–0.7(fries, 2015, womelsdorf 等人,2007)。
**方程(4)中 r 的解释**
参数 r 可以有两种解释:
(1) 作为一个缓慢变化的状态变量 r(t),在这种情况下,方程(4)给出瞬时危险率 h(t)=λattemptp1α(m?1),等待时间分布成为 r(t) 轨迹上的危险积分;
(2) 作为一个条件参数,代表承诺前间隔期间的相干性,在这种情况下,方程(4)给出在该相干性水平下的平均等待时间。解释(1)自然地解释了当 r(t) 缓慢漂移时的重尾等待时间分布。
**相位对齐窗口(??)**
从尖峰列或 lfp 相关图中测量半高宽(hwhm,单位:秒)。完整的相位窗口是 ??=2ω0hwhm(弧度)。
**尝试率(λattempt)**
从模块间相干性的去相关时间 |zinter(t)| 估计:λattempt=1/τmix(s?1)。或者,从瞬时频率扩散估计:λattempt≈δω(rad/s ≡ s?1,因为 rad 是无量纲的),等价于 λattempt≈2πδf,其中 δf 以 hz 为单位。皮层 alpha/beta 带的典型值:λattempt~60–200 s?1,对应于频率扩散 δf~10–30hz(即 δω~60–190 rad/s)。
**实际限制**
自相关函数的 1/e 交叉对于短时间序列来说非常嘈杂。在模拟中我们使用长稳态轨迹(t=60 s,约 104 个样本);对于长度相当的真实 eeg 记录,r(t) 的非稳态会降低估计的准确性。使用窗口化方法——在滑动时间段内计算 λattempt 并报告分布——对于实证应用来说更为稳健。频率扩散代理(λattempt≈δω)为短记录提供了一个不太精确但更稳定的替代方案。
**分析工作流程总结**
要将相干时间框架应用于神经数据:
1. 定义模块:使用社区检测在相干矩阵上,或解剖学 roi 上。
2. 计算模块相位:通过希尔伯特变换从带通滤波的信号中提取 ψm(t);验证模块内相干性 rintra,m≥rthr。
3. 计算模块间相干性:rinter(t)=|m?1∑meiψm(t)|;通过 r=i1(κ)/i0(κ) 转换为 κ。
4. 估计 ??:测量相关图 hwhm;??=2ω0?hwhm。
5. 估计 λattempt:计算 |zinter(t)| 的自相关;设置 λattempt=1/τmix,其中 τmix 是 1/e 交叉点。推荐的做法是使用窗口化方法(滑动时间段)并报告 λattempt 估计的分布,以处理真实记录中的非稳态。
6. 避免结果泄漏:在估计用于方程(4)的 rinter 时,使用整个记录期间的轨迹平均相干性(包括非承诺间隔),而不是在承诺时间或附近测量的 r。后者因为对齐发生而选择性地偏高,从而高估了 p1。
7. 估计 α:要么从模块相位协方差的参与比率(方程(5)),要么从 τ 随 m 的变化中估计。
**结果**
**3.1 视觉感知绑定窗口**
**审查说明**:对于在模拟时间 t 内未达到对齐阈值的模拟试验,我们将这些视为右删失观测值,并报告 kaplan–meier 生存估计的 τcoh。命中比例 <0.5 且至少有一个观察到的承诺的点显示为从 t 开始的向下箭头的下限;完全删失的 m 值被省略。
人类视觉感知在感知绑定任务中表现出 30–50 ms 的时间整合窗口。注意,对于简单的亮度检测(低 m 任务,需要最小的模块间协调),临界闪烁融合(cff)阈值更高(约 60 hz 光度)。cff 和绑定窗口时间尺度之间的差距本身是由框架预测的:低 m 的承诺很快;高 m 的感知绑定很慢。我们使用高 m 绑定情况的神经参数应用方程(1)。
**参数来源**:我们取 m=8 个枕叶模块(视觉绑定中功能子模块的合理数量,包括 v1、v2、v4 和后部顶叶分区;可以通过在相干网络上的社区检测来估计)。相干性 r=0.7–0.8 反映了注意力参与(fries, 2015)。完全容忍度 ??=π/2 弧度(±45°)对应于视觉绑定期间在 gamma 带相关图中观察到的相位窗口;注意 ±90° 的容忍度对于功能同步来说太宽松了。尝试率 λattempt≈60–200 s?1 是从 alpha/beta 带的模块间相干性的去相关时间估计的(对应于频率扩散 ~10–30hz;即 δω~60–190 rad/s)。从频率扩散到尝试率的映射取决于耦合制度:在强耦合系统中,有效混合时间可以超过 1/δω,因为耦合减慢了相位探索。我们在下面的计算中使用中心估计 λattempt=126 s?1(约 20hz 的扩散),但预测的绑定窗口范围在这个区间内是稳健的(表 1)。有效独立性 α=0.7 反映了模块皮层拓扑;它可以从模块间承诺时间的缩放下经验性地估计(kuramoto 验证得出 α?≈1,对于具有弱模块间耦合 kinter=0.15 的对称模块网络)。首先计算 p1:在 r=0.7 时,κ≈2.0,得到 p1(π/2,2.0)≈0.68(方程(2)的数值积分)。使用方程(4)和 λattempt≈126 s?1 以及 α=0.7:τcoh≈1126(0.68)?0.7×7=1126(0.68)?4.9≈54ms。
**更高相干性 r=0.8(κ≈2.9,p1(π/2,2.9)≈0.78)**:τcoh≈1126(0.78)?4.9≈27ms。
**计算方程(1)中的所有项**:
(10) τqsl~10?13s(可以忽略的——量子限制非绑定)
(11) τsnr~5–10ms(任务依赖)
(12) τpower~10?15–10?8s(功率限制;见第 2.1 节)
(13) τcoh≈27–54ms(r=0.7–0.8,m=8)
有效承诺时间是 τeff?max[qsl, snr, power, coh]≈27–54ms,与人类绑定窗口(30–50 ms)一致,给定经验上合理的参数范围。 1. 相位差是结构化的:{δψmn} 的分布是非均匀的,集中在反映耦合拓扑和近期历史的优选偏移附近。 2. 相位差没有锁定:模块间的相干性 rinter 保持在一个远离 1 的范围内,保留了相对相位子空间中的自由度。 3. 配置偏置了未来的承诺:给定当前相位差,承诺结果的条件概率与无条件概率不同。 在这种制度下,系统可以被解释为执行模拟计算:模块间不断演变的相位关系更新了哪些承诺结果是可访问的,但尚未记录一个离散状态。根据这种解释,承诺本身不是计算,而是对相位差间隔内已经发生的计算的读出。 一个包含 m 个模块的系统大部分时间都处于未承诺状态。处于承诺状态的时间比例按 ?p(a?)∝p1α(m?1) 的比例变化,对于生物学上相关的参数(m~8, p1~0.7, α~0.7),这导致 ?p(a?)~0.15。因此,大约 85% 的动态发生在更广泛的承诺前阶段。如果相位差的解释是正确的,那么大部分的偏置动态发生在承诺之前。 **无碰撞的偏置** 标准的神经振荡文献将相位同步视为一种绑定机制:当相位锁定时,来自不同模块的信息被绑定到一个统一的表示中(singer, 1999, fries, 2005)。相位差框架提出了不同的解释。计算上相关的阶段不是相位锁定本身,而是相位锁定的方法——在结构化相位关系偏置下游动态的间隔内,而不会崩溃到承诺状态。这种区别很重要,因为偏置和绑定具有不同的计算特征: - **绑定(相位锁定,rinter→1)**:崩溃了模块间的相位自由度。系统占据一个低维的同步流形。下游读出是可能的,但失去了组合灵活性。 - **偏置(结构化相位差,中间 rinter)**:在限制它们分布的同时保持模块间的相位自由度。系统以各向异性的概率探索高维配置空间——某些承诺结果变得比其他结果更容易访问,但尚未确定。 **承诺前偏置的生物物理机制** 结构化的相位关系如何在承诺发生之前影响下游电路?一个可能的途径是通过细胞外场调节兴奋性:振荡相位可以通过突触效应(anastassiou 等人,2011,fries,2005)来偏置膜电位,因此即使没有同步放电,结构化的模块间相位偏移也可能在下游目标中创建空间模式的增益场。这种偏置可以通过更传统的突触机制来巩固,包括亚阈值树突整合和短期突触 facilitation 或 depression。在这种解释中,场介导的成分是分级的且可逆的,而突触巩固提供了最终承诺所需的持久性。 **速度-灵活性权衡(命题 2)** 现在可以用相位差制度来重新表述:增加 r 会加速从相位差制度到承诺的过渡,但缩短了承诺前可用的模拟计算时间。承诺太快的系统会失去探索相位差制度的计算优势;从未承诺的系统则无法记录下游使用的结果。 **相位差制度的亚兰道尔操作** 如果相位差间隔确实是模拟的并且是承诺前的,那么其维持不需要承担与不可逆擦除相关的每比特兰道尔成本。兰道尔原理(landauer, 1961)适用于逻辑上不可逆的操作——具体来说,是擦除或覆盖一个离散状态。相比之下,维持结构化的相位关系可以解释为在读出之前对未来结果的连续偏置。相关的能量成本是维持这种偏置所需的耦合能量,而不一定是每比特擦除成本。这种解释与连续生物基质中时间不可访问性的分析一致(todd, 2025b):具有连续状态变量的系统可以在不跨越离散擦除阈值的情况下偏置未来的轨迹,因为中间状态不需要被破坏。在这个框架内,相干时间 τcoh 量化了在累积的相位关系要么承诺(在 ?? 范围内对齐)要么去相关(偏置消散)之前这种偏置可以维持的时间。 **连续动态的离散结构** 一个自然的反对意见是,智能产生离散结构——音素边界、分类感知、运动原语、遗传代码——这种离散性意味着本质上是组合计算。相位差框架解决了这种紧张关系:离散结构不是计算的基质,而是其输出,在 m?1 个连续相位自由度崩溃到低维注册状态的承诺时出现。代码形成——出现有限的可区分输出字母表——是维度崩溃的涌现属性,而不是架构上的先决条件(见 todd, 2026 中的定理 2)。组合爆炸是低维、碰撞密集系统的属性;高维连续动态避免了它,因为轨迹通常不会发生碰撞(todd, 2026)。相位差制度利用这种无碰撞的几何结构来偏置结果,而不需要组合分支;离散结构和组合能力只在承诺接口出现。 **计算的量子与热力学限制** 基于协调的框架如何与基本物理限制相关?有三个相关的限制。兰道尔原理(landauer, 1961, bormashenko, 2024)要求在生物温度下每个不可逆比特至少耗散 kbtln2≈3×10?21 j 的能量——这是一个能量限制,而不是时间限制。margolus–levitin 定理(margolus 和 levitin, 1998)和 mandelstam–tamm 关系(mandelstam 和 tamm, 1945)共同确立了量子速度限制 τqsl=max[π?/(2〈E〉),?/(2ΔE)],这源于能量-时间不确定性关系 δe?δt?? 2(khrennikov, 2021, igamberdiev 和 shklovskiy-kordi, 2025, igamberdiev, 2026)。正如 bormashenko(bormashenko, 2024)所指出的,综合这些限制得到最小计算时间 τmin~h kbt。在生物温度(〈e〉~kbt)下,τqsl~10?13 s。 **皮层视觉处理的层次结构**为: (6) τqsl~10?13s(量子速度限制) (7) τpower~10?15–10?8s(功率限制;见第 2.1 节) (8) τsnr~10?3s(信号检测) (9) τcoh~10?2s(协调时间) 对于神经尺度能量,qsl 和兰道尔限制远低于观察到的认知时间尺度;在这个阶段,它们不是速率限制。这种差距(大约十一个数量级)是因为神经计算不是由单个元素切换状态的快慢决定的,而是由分布式组件达到协调相位对齐所需的时间决定的。即使是适度的协调(m~5–15)也能从微秒级的相位动态产生毫秒级的相干时间。量子和热力学限制设定了任何物理过程必须遵守的绝对下限,但生物神经系统在一个多模块协调提供处理速率的绑定限制的制度中运行。 **参数估计协议** **协调深度(m)** m 是必须共同超过阈值以注册承诺的半独立模块的数量。 - 操作估计: 1. 通过带限相干性或 granger 因果性将集群通道 单元分组到模块中。 2. 确定其联合活动预测行为承诺的最小模块集。 - 典型值:枕叶视觉任务产生 m~6–10;跨模态绑定 m~10–15。 **相干参数(r)** 通过希尔伯特变换从带通滤波的 lfp eeg 中提取瞬时相位 θj(t)。对于相干时间模型,我们区分: - 模块内相干性:rintra,m(t)=|1nm∑j∈meiθj(t)|,其中 nm 是模块 m 的通道数。 - 模块间相干性:rinter(t)=|1M∑m=1Meiψm(t)|,其中 ψm 是模块 m 的总相位。 承诺需要高 rintra(模块内部相干)和罕见的模块间相位对齐(低基线 rinter,当 rinter 短暂超过阈值时发生承诺)。方程(4)中的 r 和 κ 指的是模块间分布。典型的模块间值:自发皮层 ~0.2–0.4;注意力 ~0.5–0.7(fries, 2015, womelsdorf 等人,2007)。 **方程(4)中 r 的解释** 参数 r 可以有两种解释: (1) 作为一个缓慢变化的状态变量 r(t),在这种情况下,方程(4)给出瞬时危险率 h(t)=λattemptp1α(M?1),等待时间分布成为 r(t) 轨迹上的危险积分; (2) 作为一个条件参数,代表承诺前间隔期间的相干性,在这种情况下,方程(4)给出在该相干性水平下的平均等待时间。解释(1)自然地解释了当 r(t) 缓慢漂移时的重尾等待时间分布。 **相位对齐窗口(??)** 从尖峰列或 lfp 相关图中测量半高宽(hwhm,单位:秒)。完整的相位窗口是 ??=2ω0HWHM(弧度)。 **尝试率(λattempt)** 从模块间相干性的去相关时间 |zinter(t)| 估计:λattempt=1/τmix(s?1)。或者,从瞬时频率扩散估计:λattempt≈Δω(rad/s ≡ s?1,因为 rad 是无量纲的),等价于 λattempt≈2πδf,其中 δf 以 hz 为单位。皮层 alpha beta 带的典型值:λattempt~60–200 s?1,对应于频率扩散 δf~10–30hz(即 δω~60–190 rad s)。 **实际限制** 自相关函数的 1 e 交叉对于短时间序列来说非常嘈杂。在模拟中我们使用长稳态轨迹(t=60 s,约 104 个样本);对于长度相当的真实 eeg 记录,r(t) 的非稳态会降低估计的准确性。使用窗口化方法——在滑动时间段内计算 λattempt 并报告分布——对于实证应用来说更为稳健。频率扩散代理(λattempt≈δω)为短记录提供了一个不太精确但更稳定的替代方案。 **分析工作流程总结** 要将相干时间框架应用于神经数据: 1. 定义模块:使用社区检测在相干矩阵上,或解剖学 roi 上。 2. 计算模块相位:通过希尔伯特变换从带通滤波的信号中提取 ψm(t);验证模块内相干性 rintra,m≥rthr。 3. 计算模块间相干性:rinter(t)=|M?1∑meiψm(t)|;通过 r=I1(κ)/I0(κ) 转换为 κ。 4. 估计 ??:测量相关图 hwhm;??=2ω0?HWHM。 5. 估计 λattempt:计算 |zinter(t)| 的自相关;设置 λattempt=1/τmix,其中 τmix 是 1 e 交叉点。推荐的做法是使用窗口化方法(滑动时间段)并报告 λattempt 估计的分布,以处理真实记录中的非稳态。 6. 避免结果泄漏:在估计用于方程(4)的 rinter 时,使用整个记录期间的轨迹平均相干性(包括非承诺间隔),而不是在承诺时间或附近测量的 r。后者因为对齐发生而选择性地偏高,从而高估了 p1。 7. 估计 α:要么从模块相位协方差的参与比率(方程(5)),要么从 τ 随 m 的变化中估计。 **结果** **3.1 视觉感知绑定窗口** **审查说明**:对于在模拟时间 t 内未达到对齐阈值的模拟试验,我们将这些视为右删失观测值,并报告 kaplan–meier 生存估计的 τcoh。命中比例 <0.5 且至少有一个观察到的承诺的点显示为从 t 开始的向下箭头的下限;完全删失的 m 值被省略。 人类视觉感知在感知绑定任务中表现出 30–50 ms 的时间整合窗口。注意,对于简单的亮度检测(低 m 任务,需要最小的模块间协调),临界闪烁融合(cff)阈值更高(约 60 hz 光度)。cff 和绑定窗口时间尺度之间的差距本身是由框架预测的:低 m 的承诺很快;高 m 的感知绑定很慢。我们使用高 m 绑定情况的神经参数应用方程(1)。 **参数来源**:我们取 m=8 个枕叶模块(视觉绑定中功能子模块的合理数量,包括 v1、v2、v4 和后部顶叶分区;可以通过在相干网络上的社区检测来估计)。相干性 r=0.7–0.8 反映了注意力参与(fries, 2015)。完全容忍度 ??=π/2 弧度(±45°)对应于视觉绑定期间在 gamma 带相关图中观察到的相位窗口;注意 ±90° 的容忍度对于功能同步来说太宽松了。尝试率 λattempt≈60–200 s?1 是从 alpha beta 带的模块间相干性的去相关时间估计的(对应于频率扩散 ~10–30hz;即 δω~60–190 rad s)。从频率扩散到尝试率的映射取决于耦合制度:在强耦合系统中,有效混合时间可以超过 1 δω,因为耦合减慢了相位探索。我们在下面的计算中使用中心估计 λattempt=126 s?1(约 20hz 的扩散),但预测的绑定窗口范围在这个区间内是稳健的(表 1)。有效独立性 α=0.7 反映了模块皮层拓扑;它可以从模块间承诺时间的缩放下经验性地估计(kuramoto 验证得出 α?≈1,对于具有弱模块间耦合 kinter=0.15 的对称模块网络)。首先计算 p1:在 r=0.7 时,κ≈2.0,得到 p1(π 2,2.0)≈0.68(方程(2)的数值积分)。使用方程(4)和 λattempt≈126 s?1 以及 α=0.7:τcoh≈1126(0.68)?0.7×7=1126(0.68)?4.9≈54ms。 **更高相干性 r=0.8(κ≈2.9,p1(π/2,2.9)≈0.78)**:τcoh≈1126(0.78)?4.9≈27ms。 **计算方程(1)中的所有项**: (10) τqsl~10?13s(可以忽略的——量子限制非绑定) (11) τsnr~5–10ms(任务依赖) (12) τpower~10?15–10?8s(功率限制;见第 2.1 节) (13) τcoh≈27–54ms(r=0.7–0.8,M=8) 有效承诺时间是 τeff?max[qsl, snr, power, coh]≈27–54ms,与人类绑定窗口(30–50>?。形式上,当系统满足以下条件时,它处于相位差制度:
1. 相位差是结构化的:{δψmn} 的分布是非均匀的,集中在反映耦合拓扑和近期历史的优选偏移附近。
2. 相位差没有锁定:模块间的相干性 rinter 保持在一个远离 1 的范围内,保留了相对相位子空间中的自由度。
3. 配置偏置了未来的承诺:给定当前相位差,承诺结果的条件概率与无条件概率不同。
在这种制度下,系统可以被解释为执行模拟计算:模块间不断演变的相位关系更新了哪些承诺结果是可访问的,但尚未记录一个离散状态。根据这种解释,承诺本身不是计算,而是对相位差间隔内已经发生的计算的读出。
一个包含 m 个模块的系统大部分时间都处于未承诺状态。处于承诺状态的时间比例按 ?p(a?)∝p1α(m?1) 的比例变化,对于生物学上相关的参数(m~8, p1~0.7, α~0.7),这导致 ?p(a?)~0.15。因此,大约 85% 的动态发生在更广泛的承诺前阶段。如果相位差的解释是正确的,那么大部分的偏置动态发生在承诺之前。
**无碰撞的偏置**
标准的神经振荡文献将相位同步视为一种绑定机制:当相位锁定时,来自不同模块的信息被绑定到一个统一的表示中(singer, 1999, fries, 2005)。相位差框架提出了不同的解释。计算上相关的阶段不是相位锁定本身,而是相位锁定的方法——在结构化相位关系偏置下游动态的间隔内,而不会崩溃到承诺状态。这种区别很重要,因为偏置和绑定具有不同的计算特征:
- **绑定(相位锁定,rinter→1)**:崩溃了模块间的相位自由度。系统占据一个低维的同步流形。下游读出是可能的,但失去了组合灵活性。
- **偏置(结构化相位差,中间 rinter)**:在限制它们分布的同时保持模块间的相位自由度。系统以各向异性的概率探索高维配置空间——某些承诺结果变得比其他结果更容易访问,但尚未确定。
**承诺前偏置的生物物理机制**
结构化的相位关系如何在承诺发生之前影响下游电路?一个可能的途径是通过细胞外场调节兴奋性:振荡相位可以通过突触效应(anastassiou 等人,2011,fries,2005)来偏置膜电位,因此即使没有同步放电,结构化的模块间相位偏移也可能在下游目标中创建空间模式的增益场。这种偏置可以通过更传统的突触机制来巩固,包括亚阈值树突整合和短期突触 facilitation 或 depression。在这种解释中,场介导的成分是分级的且可逆的,而突触巩固提供了最终承诺所需的持久性。
**速度-灵活性权衡(命题 2)**
现在可以用相位差制度来重新表述:增加 r 会加速从相位差制度到承诺的过渡,但缩短了承诺前可用的模拟计算时间。承诺太快的系统会失去探索相位差制度的计算优势;从未承诺的系统则无法记录下游使用的结果。
**相位差制度的亚兰道尔操作**
如果相位差间隔确实是模拟的并且是承诺前的,那么其维持不需要承担与不可逆擦除相关的每比特兰道尔成本。兰道尔原理(landauer, 1961)适用于逻辑上不可逆的操作——具体来说,是擦除或覆盖一个离散状态。相比之下,维持结构化的相位关系可以解释为在读出之前对未来结果的连续偏置。相关的能量成本是维持这种偏置所需的耦合能量,而不一定是每比特擦除成本。这种解释与连续生物基质中时间不可访问性的分析一致(todd, 2025b):具有连续状态变量的系统可以在不跨越离散擦除阈值的情况下偏置未来的轨迹,因为中间状态不需要被破坏。在这个框架内,相干时间 τcoh 量化了在累积的相位关系要么承诺(在 ?? 范围内对齐)要么去相关(偏置消散)之前这种偏置可以维持的时间。
**连续动态的离散结构**
一个自然的反对意见是,智能产生离散结构——音素边界、分类感知、运动原语、遗传代码——这种离散性意味着本质上是组合计算。相位差框架解决了这种紧张关系:离散结构不是计算的基质,而是其输出,在 m?1 个连续相位自由度崩溃到低维注册状态的承诺时出现。代码形成——出现有限的可区分输出字母表——是维度崩溃的涌现属性,而不是架构上的先决条件(见 todd, 2026 中的定理 2)。组合爆炸是低维、碰撞密集系统的属性;高维连续动态避免了它,因为轨迹通常不会发生碰撞(todd, 2026)。相位差制度利用这种无碰撞的几何结构来偏置结果,而不需要组合分支;离散结构和组合能力只在承诺接口出现。
**计算的量子与热力学限制**
基于协调的框架如何与基本物理限制相关?有三个相关的限制。兰道尔原理(landauer, 1961, bormashenko, 2024)要求在生物温度下每个不可逆比特至少耗散 kbtln2≈3×10?21 j 的能量——这是一个能量限制,而不是时间限制。margolus–levitin 定理(margolus 和 levitin, 1998)和 mandelstam–tamm 关系(mandelstam 和 tamm, 1945)共同确立了量子速度限制 τqsl=max[π?/(2〈e〉),?/(2δe)],这源于能量-时间不确定性关系 δe?δt??/2(khrennikov, 2021, igamberdiev 和 shklovskiy-kordi, 2025, igamberdiev, 2026)。正如 bormashenko(bormashenko, 2024)所指出的,综合这些限制得到最小计算时间 τmin~h/kbt。在生物温度(〈e〉~kbt)下,τqsl~10?13 s。
**皮层视觉处理的层次结构**为:
(6) τqsl~10?13s(量子速度限制)
(7) τpower~10?15–10?8s(功率限制;见第 2.1 节)
(8) τsnr~10?3s(信号检测)
(9) τcoh~10?2s(协调时间)
对于神经尺度能量,qsl 和兰道尔限制远低于观察到的认知时间尺度;在这个阶段,它们不是速率限制。这种差距(大约十一个数量级)是因为神经计算不是由单个元素切换状态的快慢决定的,而是由分布式组件达到协调相位对齐所需的时间决定的。即使是适度的协调(m~5–15)也能从微秒级的相位动态产生毫秒级的相干时间。量子和热力学限制设定了任何物理过程必须遵守的绝对下限,但生物神经系统在一个多模块协调提供处理速率的绑定限制的制度中运行。
**参数估计协议**
**协调深度(m)**
m 是必须共同超过阈值以注册承诺的半独立模块的数量。
- 操作估计:
1. 通过带限相干性或 granger 因果性将集群通道/单元分组到模块中。
2. 确定其联合活动预测行为承诺的最小模块集。
- 典型值:枕叶视觉任务产生 m~6–10;跨模态绑定 m~10–15。
**相干参数(r)**
通过希尔伯特变换从带通滤波的 lfp/eeg 中提取瞬时相位 θj(t)。对于相干时间模型,我们区分:
- 模块内相干性:rintra,m(t)=|1nm∑j∈meiθj(t)|,其中 nm 是模块 m 的通道数。
- 模块间相干性:rinter(t)=|1m∑m=1meiψm(t)|,其中 ψm 是模块 m 的总相位。
承诺需要高 rintra(模块内部相干)和罕见的模块间相位对齐(低基线 rinter,当 rinter 短暂超过阈值时发生承诺)。方程(4)中的 r 和 κ 指的是模块间分布。典型的模块间值:自发皮层 ~0.2–0.4;注意力 ~0.5–0.7(fries, 2015, womelsdorf 等人,2007)。
**方程(4)中 r 的解释**
参数 r 可以有两种解释:
(1) 作为一个缓慢变化的状态变量 r(t),在这种情况下,方程(4)给出瞬时危险率 h(t)=λattemptp1α(m?1),等待时间分布成为 r(t) 轨迹上的危险积分;
(2) 作为一个条件参数,代表承诺前间隔期间的相干性,在这种情况下,方程(4)给出在该相干性水平下的平均等待时间。解释(1)自然地解释了当 r(t) 缓慢漂移时的重尾等待时间分布。
**相位对齐窗口(??)**
从尖峰列或 lfp 相关图中测量半高宽(hwhm,单位:秒)。完整的相位窗口是 ??=2ω0hwhm(弧度)。
**尝试率(λattempt)**
从模块间相干性的去相关时间 |zinter(t)| 估计:λattempt=1/τmix(s?1)。或者,从瞬时频率扩散估计:λattempt≈δω(rad/s ≡ s?1,因为 rad 是无量纲的),等价于 λattempt≈2πδf,其中 δf 以 hz 为单位。皮层 alpha/beta 带的典型值:λattempt~60–200 s?1,对应于频率扩散 δf~10–30hz(即 δω~60–190 rad/s)。
**实际限制**
自相关函数的 1/e 交叉对于短时间序列来说非常嘈杂。在模拟中我们使用长稳态轨迹(t=60 s,约 104 个样本);对于长度相当的真实 eeg 记录,r(t) 的非稳态会降低估计的准确性。使用窗口化方法——在滑动时间段内计算 λattempt 并报告分布——对于实证应用来说更为稳健。频率扩散代理(λattempt≈δω)为短记录提供了一个不太精确但更稳定的替代方案。
**分析工作流程总结**
要将相干时间框架应用于神经数据:
1. 定义模块:使用社区检测在相干矩阵上,或解剖学 roi 上。
2. 计算模块相位:通过希尔伯特变换从带通滤波的信号中提取 ψm(t);验证模块内相干性 rintra,m≥rthr。
3. 计算模块间相干性:rinter(t)=|m?1∑meiψm(t)|;通过 r=i1(κ)/i0(κ) 转换为 κ。
4. 估计 ??:测量相关图 hwhm;??=2ω0?hwhm。
5. 估计 λattempt:计算 |zinter(t)| 的自相关;设置 λattempt=1/τmix,其中 τmix 是 1/e 交叉点。推荐的做法是使用窗口化方法(滑动时间段)并报告 λattempt 估计的分布,以处理真实记录中的非稳态。
6. 避免结果泄漏:在估计用于方程(4)的 rinter 时,使用整个记录期间的轨迹平均相干性(包括非承诺间隔),而不是在承诺时间或附近测量的 r。后者因为对齐发生而选择性地偏高,从而高估了 p1。
7. 估计 α:要么从模块相位协方差的参与比率(方程(5)),要么从 τ 随 m 的变化中估计。
**结果**
**3.1 视觉感知绑定窗口**
**审查说明**:对于在模拟时间 t 内未达到对齐阈值的模拟试验,我们将这些视为右删失观测值,并报告 kaplan–meier 生存估计的 τcoh。命中比例 <0.5 且至少有一个观察到的承诺的点显示为从 t 开始的向下箭头的下限;完全删失的 m 值被省略。
人类视觉感知在感知绑定任务中表现出 30–50 ms 的时间整合窗口。注意,对于简单的亮度检测(低 m 任务,需要最小的模块间协调),临界闪烁融合(cff)阈值更高(约 60 hz 光度)。cff 和绑定窗口时间尺度之间的差距本身是由框架预测的:低 m 的承诺很快;高 m 的感知绑定很慢。我们使用高 m 绑定情况的神经参数应用方程(1)。
**参数来源**:我们取 m=8 个枕叶模块(视觉绑定中功能子模块的合理数量,包括 v1、v2、v4 和后部顶叶分区;可以通过在相干网络上的社区检测来估计)。相干性 r=0.7–0.8 反映了注意力参与(fries, 2015)。完全容忍度 ??=π/2 弧度(±45°)对应于视觉绑定期间在 gamma 带相关图中观察到的相位窗口;注意 ±90° 的容忍度对于功能同步来说太宽松了。尝试率 λattempt≈60–200 s?1 是从 alpha/beta 带的模块间相干性的去相关时间估计的(对应于频率扩散 ~10–30hz;即 δω~60–190 rad/s)。从频率扩散到尝试率的映射取决于耦合制度:在强耦合系统中,有效混合时间可以超过 1/δω,因为耦合减慢了相位探索。我们在下面的计算中使用中心估计 λattempt=126 s?1(约 20hz 的扩散),但预测的绑定窗口范围在这个区间内是稳健的(表 1)。有效独立性 α=0.7 反映了模块皮层拓扑;它可以从模块间承诺时间的缩放下经验性地估计(kuramoto 验证得出 α?≈1,对于具有弱模块间耦合 kinter=0.15 的对称模块网络)。首先计算 p1:在 r=0.7 时,κ≈2.0,得到 p1(π/2,2.0)≈0.68(方程(2)的数值积分)。使用方程(4)和 λattempt≈126 s?1 以及 α=0.7:τcoh≈1126(0.68)?0.7×7=1126(0.68)?4.9≈54ms。
**更高相干性 r=0.8(κ≈2.9,p1(π/2,2.9)≈0.78)**:τcoh≈1126(0.78)?4.9≈27ms。
**计算方程(1)中的所有项**:
(10) τqsl~10?13s(可以忽略的——量子限制非绑定)
(11) τsnr~5–10ms(任务依赖)
(12) τpower~10?15–10?8s(功率限制;见第 2.1 节)
(13) τcoh≈27–54ms(r=0.7–0.8,m=8)
有效承诺时间是 τeff?max[qsl, snr, power, coh]≈27–54ms,与人类绑定窗口(30–50 ms)一致,给定经验上合理的参数范围。>连贯性时间起主导作用;量子和兰道尔界限并非限制因素。这一估计的认知地位:这是一个数量级的存在性证明,而非精确预测。计算包含五个参数(M、r、??、λattempt、α),每个参数都受到独立实证证据的约束,但并非唯一确定。由于有五个可调参数,重现单一时间尺度是必要的,但并非充分条件。该框架的可测试内容在于其比例预测:对M的指数依赖性、对??的幂律依赖性、速度-灵活性权衡(命题2),以及第4节中预测的特定解离现象——而不是任何单一参数集的τcoh的绝对值。
敏感性分析:表1显示了τcoh在合理参数范围内的变化情况。20–80毫秒的结合窗口对参数不确定性具有鲁棒性。所有p1值都是通过对方程(2)进行数值积分计算得出的;κ是通过数值反演r=I1(κ)/I0(κ)得到的。
合理性检验:对于任何κ≥0,都有p1(π,κ)≥0.5,且当κ>0时不等式严格成立,因为窗口??=π覆盖了以单峰分布模式为中心的半个圆。
对M的指数依赖性和对r的强依赖性意味着注意状态的微小变化(影响r)或任务复杂性的变化(影响M)可以使结合窗口扩大2–4倍,这与注意依赖的时间分辨率的实证观察结果一致(Samaha和Postle,2015年)。
表1. 连贯性时间对参数变化的敏感性。基准情况:M=8, r=0.75, ??=π/2, λattempt=126 s?1, α=0.7。
参数变化 | Mr | ?? | λattempt (s?1) | τcoh (ms)
---|---|---|---
基准情况 | 80.75 | π/2 | 126 | 39
M降低 | 60.75 | π/2 | 126 | 25
M升高 | 100.75 | π/2 | 126 | 61
r降低 | 80.65 | π/2 | 126 | 75
r升高 | 80.85 | π/2 | 126 | 19
??变窄 | 80.75 | π/3 | 126 | 105
λattempt加快 | 80.75 | π/2 | 189 | 26
α的误差传播:由于α出现在指数中,估计不确定性会呈乘法传播:δτ/τ≈(M?1)|logp1|?δα。对于基准情况(M=8, p1=0.7, α=0.7),α的15%不确定性(δα=0.1)会导致δτ/τ≈7×0.3×0.1≈0.22,即τcoh的不确定性约为22%,这在表1所涵盖的范围内。当M=10时,这一不确定性增加到约30%。因此,该框架对α的敏感性适中,但在生物学相关范围内并不灾难性。
联合参数不确定性:表1一次改变一个参数。同时变化的极端情况是:(乐观情况下)M=6, r=0.85, λattempt=189 s?1, α=0.7时,τcoh约为10毫秒;(悲观情况下)M=10, r=0.65, λattempt=63 s?1, α=0.7时,τcoh约为190毫秒。实证结合窗口(约30–50毫秒)完全落在这一范围内,但该框架的优势在于其比例预测(对M的指数依赖性,对r的单调性),而不是确定绝对时间尺度。
3.2. 快速心理现象:双循环假设
认知地位:本节具有探索性;它将框架转化为一个关于急性压力下主观时间扭曲的可证伪假设。
在急性压力或跌落期间,受试者报告主观时间变慢。关键的是,Stetson等人(2007年)表明,在自由落体恐惧状态下,客观时间分辨率(通过下降的LED计时器测试)并未提高——只有回顾性持续时间估计增加了。这种分离有两种主要竞争性解释:(1)记忆密度解释,即唤醒增加了编码密度,从而夸大了回顾性持续时间,而不改变在线感知;(2)双架构解释,即感知系统和运动系统具有不同的协调深度,并对唤醒有不同的反应。
我们在连贯性时间框架内提出了双架构解释,同时指出记忆密度解释是主要替代方案:
感知循环(皮质):高M(约10–15个模块)的连贯场动态。唤醒增加了连贯性r,并激活了额外的感觉模块,增加了预承诺动态的Deff。承诺之间的更丰富动态产生了主观上延长的体验——这与在线扩张或更密集的编码一致。
运动循环(小脑/基底神经节):低M(约3–5个模块)的原始过程。唤醒调节决策阈值,但由于运动路径的协调深度低,其承诺速率基本不受影响。
Stetson的结果与这两种解释都兼容:回顾性持续时间增加,但时间分辨率没有提高。关键的在线预测是分离:如果双架构解释正确,那么在唤醒状态下时间顺序阈值应该发生变化,而简单反应时间应保持稳定。因此,这两个测量应该能够在统计上区分开来。
3.3. α振荡和时间敏锐度
视觉皮层中的α振荡(8–12 Hz)与时间敏锐度相关:α频率越快的人感知时间越快(Samaha和Postle,2015年;Cecere等人,2015年)。一种解释是α作为门控节奏,调节承诺机会窗口,有效地设置尝试率λattempt或相位对齐的采样计划。另一种观点认为α反映了内部生成的“感知集”——从存储的知识网络中检索到的预建立的处理模板——而不是自下而上的时间采样本身(Wutz,2024年)。重要的是,Wutz指出主观时间持续时间与每个感知事件可检索的信息量相关,而自上而下的控制可以扩展接收整合窗口以适应更丰富的输入。在当前框架中,这是连贯性时间界限在起作用:感知集可以解释为高维内部模板(大M),Wutz记录的时间效应——在更丰富的处理下的时间扩张,在贫瘠条件下的压缩——对应于τcoh对协调深度的指数依赖性。因此,这两种观点是互补的:感知集决定了哪些相位配置被视为对齐事件,而连贯性时间界限决定了这些配置需要等待多久才能再次出现。
预测:如果α频率调节承诺时机,那么通过经颅交流电刺激(tACS)(Helfrich等人,2014年)训练α应该会随着频率变化大致线性地改变感知结合窗口。Wutz的感知集框架预测了相同的效果方向——更快的α,更精细的时间分辨率——但将机制归因于模板驱动的门控,而不是被动采样。一个区分性的测试是,即使在感知任务完全是外源性的(随机化的、非模糊的刺激)情况下,tACS是否也会改变结合窗口,此时感知集的贡献最小(Wutz,2024年)。
3.4. 不同物种间的代谢缩放
当功率成为限制因素时(τpower?τcoh),我们得到τeff~1/P。临界闪烁融合频率应该与质量特定的代谢率成比例。
临界闪烁融合频率在不同物种间差异巨大:苍蝇约240Hz,人类约60Hz,棱皮龟约15Hz。Healy等人(2013年)发现,质量特定的代谢率解释了跨越三个数量级体质量的34种脊椎动物之间的CFF显著差异,这与小型、高代谢动物的功率限制情况一致。
4. 讨论
4.1. 速度-灵活性权衡的生物学例子
心神游离和创造性洞察(高M,低r)。默认模式网络活动是内部导向的基线大脑活动的典型例子(Raichle等人,2001年)。在我们的框架中,心神游离对应于低区域间连贯性(r~0.3)和高协调深度(M~12–20)的状态。因此,承诺很少(约0.1–1 Hz),产生主观上的“慢思考”,但能够产生新的关联。
集中注意力(中等M,中等r)。在我们的模型中,注意力增加了连贯性(r:0.3→0.6)并将协调范围缩小到与任务相关的模块(M:15→8)(模型参数受到通过连贯性进行通信的框架(Fries,2015年)的启发)。这产生了更快的承诺(10–30 Hz)在一个受限的子空间内。
自动化和技能学习(低M,高r)。过度学习的运动序列压缩为低维原始过程(M~3–5),连贯性紧密(r~0.8)(Wolpert等人,1998年)。承诺迅速(50–150 ms),但不灵活。
4.2. 超出神经系统的泛化
虽然我们强调神经应用,因为它们具有实证可访问性,但连贯性时间框架适用于任何需要协调相位关系且输出为稀疏承诺事件的生物系统。
染色体协调。染色体系统提供了同一架构的非神经学例子。高维连续动态(聚合物构象、静电相互作用、拓扑约束、相位分离)通过稀疏的低维承诺产生功能(起源发射、检查点决策、分离结果)。后期开始自然被建模为一个承诺事件:只有在多个半独立单元满足类似连贯性的约束后,才会触发全局不可逆的转变。等待时间应该随着有效协调深度的急剧增加而增加,这与首次进入小目标集的情况一致。相关的“顺序参数”是任何决定全局事件是否可以进行的协调度量——空间共定位、拓扑状态、机械对齐——不一定是Kuramoto r。
4.3. 可测试的预测
α同步。tACS在α频率下应该会随着频率变化线性地改变感知结合窗口。频率增加20%预测阈值降低20%。
唤醒对双循环分离的影响。在急性压力下同时进行简单反应时间+时间顺序判断时:
- 时间顺序区分阈值变化
- 简单反应时间不变或略有加快
- 测量之间的统计独立性
如果预承诺相位差机制在计算上是有效的(而不仅仅是被动等待),那么破坏结构化的相位关系——例如,通过经颅磁刺激注入宽带相位噪声——应该会损害认知表现(准确性、结合质量),即使承诺速率(时间分辨率)保持不变。具体来说,随机化模块间相位偏移而不改变平均连贯性r应该会降低任务准确性,同时保持时间顺序判断阈值不变。这区分了相位差假设和同步作为结合的假设,后者预测只有承诺速率的变化才会影响表现。
4.4. 与现有框架的关系
类量子认知。最近的研究探讨了振荡神经网络与类量子认知现象之间的联系(Khrennikov等人,2025年)。我们的框架为这类类量子特征的出现提供了经典的高维解释:高维动态在有限的测量带宽下产生与量子系统类似的现象学——承诺时的测量类崩溃、承诺前的叠加类共存、不确定性类时间不可访问性。
整合信息理论(Tononi等人,2016年):IIT将整合置于意识状态描述的中心。在我们的框架中,任何此类整合都受到明确的热力学和时间限制:它需要能量并且需要时间(与协调深度成指数关系)。
自由能原理(Friston,2010年):我们增加了时间结构。预测更新发生在承诺事件中,其速率受方程(1)的限制。
通过连贯性进行通信(CTC)。Fries的有影响力的框架(Fries,2005年,Fries,2015年)提出,神经群体之间的有效通信需要在适当频率下具有连贯性:发送和接收群体必须在最大兴奋性窗口内相位对齐。我们的框架保留了这一见解,但改变了计算的位置。在CTC中,同步是功能状态——连贯的群体进行通信,不连贯的群体则不进行。在相位差框架(第2.3节)中,同步终止了一个计算阶段,使得能够进行承诺。计算上有效的阶段是接近同步的方法,在此期间,模块之间的结构化相位关系持续影响哪些承诺结果是可以访问的。CTC询问:“哪些群体在说话?”相位差框架询问:“系统在承诺时计算了什么?”
这种区别产生了一个可测试的分离。CTC预测,破坏同步应该会损害通信,从而损害表现。相位差框架做出了更强的预测,即破坏结构化的相位偏移——例如,通过注入随机化模块间关系的相位噪声——即使承诺速率保持不变,也应该损害认知表现,因为预承诺计算已被破坏。
4.5. 频率、空间范围和有效维度
认知地位:本节具有探索性;它将框架转化为关于振荡频率与有效维度之间关系的可证伪的定性预测。
系统神经科学中的一个普遍观点认为,高频振荡(gamma)支持高维计算,而低频振荡(theta,alpha)提供低维框架(Buzsáki和Draguhn,2004年;Miller等人,2018年;Lundqvist等人,2016年;Pinotsis等人,2023年)。连贯性时间框架提出了不同的关系,基于两个独立论点:协调约束和空间范围论点。
4.5.1. 协调约束
考虑一个必须实现相位对齐才能记录承诺的振荡系统。每个周期内的对齐“尝试”次数大约是λattempt/f。在高频率下,每个周期内可用的尝试次数很少,因此可靠的对齐需要高p1,从而需要高连贯性r——但高r将动态限制在低维的同步流形内。在低频下,每个周期内的多次尝试允许较低的r值,从而实现高维度的相位探索。这不是相关性,而是一种限制:快速振荡迫使维度降低;慢速振荡则允许维度增加。一个比例论证使这一点变得直观。表征能力存在于振荡器之间的相位偏移中。可区分的配置数量与deff~1/(f?τnoise)成比例,其中τnoise是基底噪声底限——在较高频率下,每个周期内可分辨的相位槽位减少。注意这个区别:gamma可能每个单位时间传输更多的“提交”(高Γcommit),但每次提交整合的维度较少;alpha传输的提交较少,但每次整合的维度较高。对于每次提交的信息丰富度来说,相关的量是Deff,而不是速率。
4.5.2. 空间范围论证
第二个独立的论证涉及相干振荡的物理基底。长波振荡在物理上覆盖的皮层区域比短波振荡更广。更大的覆盖范围意味着更多神经元参与相干相位动态。然而,仅空间范围本身并不意味着高Deff:一百万个神经元处于完美的相位同步状态(r=1)时,Deff=1。重要的是大组装规模N和中等相干性r<1的结合,而这正是分布式低频振荡所提供的。耦合振荡动态的有效维度与耦合系统的协方差结构的参与比率成比例(图3),该比率随N增加而增加,但在复合对称性下在1/r4处饱和。(对于异质耦合,参与比率取决于协方差矩阵的完整特征谱,但Deff随N增加的定性比例关系仍然保持。)因此:在适度耦合下,长波相干性跨越大量神经元群体构成了高Deff动态,尽管在窄带读出时看起来维度较低。
低维度的出现源于测量混淆。单个电极或窄带LFP记录的10 Hz阿尔法波显示出一个近似正弦的信号——显然是一维的。但这个信号是数百万神经元在几厘米皮层范围内保持相位一致性的结果,这是一个极高维度的动态状态,恰好投影到一个低维的可观测量上。这正是次信息状态(B/D<1):读出的自由度远少于它所测量的动态。
4.5.3. 经验预测区分两种观点
标准的频率层次观(Miller等人,2018年)和当前框架在许多情况下做出了重叠的预测。两者都可以解释有效动态的状态依赖性降低和振荡组织的破坏,但它们在具体的、可测试的方面存在分歧:
1. Gamma功率和维度。频率层次观预测增加gamma功率会增加有效维度。当前框架则预测相反:在固定协调深度M的情况下,增加gamma功率应该通过加强相位耦合来降低维度。测试方法:计算在药物或刺激协议期间神经群体活动的参与比率,并测量Deff是增加还是减少。
2. 每个周期的比特数。如果低频振荡协调高维动态,那么每个阿尔法周期的比特数应该超过每个伽马周期的比特数。具体来说,当任务需要多区域整合时,每个振荡周期内单次试验神经群体向量与刺激身份之间的互信息对于阿尔法/theta应该高于伽马。
3. 大规模相干性和意识。深度冥想状态(jhana)产生大规模的长波相干性——有时几乎是全局的阿尔法或theta同步。在频率层次观下,这应该类似于自上而下的控制,减少了体验的丰富性。在当前框架下,这代表了随着相位锁定振荡的空间范围扩大,相干动态的Deff显著增加。尽管在窄带读出下看起来维度较低,但实际上是高Deff动态。
4.6. 主观时间作为提交之间的体验维度
认知状态:本节是探索性的;它将框架转化为关于不同药物条件下主观时间体验的可验证的定性预测。
相干时间框架确立了提交率Γcommit≈1/τcoh受到协调动态的限制。一个直接的结果涉及体验的时间结构。
4.6.1. 论点
我们分五步构建这一主张,旨在作为从相干时间框架到现象学的启发式桥梁:
1. 神经动态具有可测量的有效维度。这是标准神经科学:参与比率、神经流形分析及相关方法从群体记录中量化Deff(Stringer等人,2019年;Cunningham和Yu,2014年)。
2. 更高的Deff通常与更丰富的意识体验相关。麻醉和无梦睡眠会降低神经复杂性。扰动复杂性指数(Casali等人,2013年)可以可靠地区分无反应患者的清醒状态和意识状态,该指数衡量了皮层对TMS扰动的有效维度。迷幻剂增加了神经信号复杂性(Timmermann等人,2019年;Carhart-Harris等人,2014年),并产生了主观上更丰富的体验。这还不是普遍规律,但它激发了使用Deff作为体验变量的动机。
3. 提交受到相干时间的下限限制,而相干时间与协调深度成指数关系(本文的核心结果,方程(4))。
4. 如果体验依赖于高维动态,提交率应该塑造时间粒度。提交是一个多对一的映射:高维动态简化为低维的读出,这些读出被写入记忆、口头报告或通过运动表现出来。从这个角度看,体验的时间结构不仅取决于提交是否发生,还取决于它们之间的动态丰富度。体验最好被描述为提交之间的自由探索,还是向提交的高维收敛,这仍然是一个未解决的问题;对于下面的预测,这两种框架都意味着依赖于Deff和Γcommit。
5. 这激发了这样一个假设:当Deff相对于提交率增加时,主观时间会膨胀。那么每个提交间隔内采样的高维动态就更多;每个时间间隔在主观上更丰富;每秒时钟时间流逝的间隔就更少。
这激发了一个简单的现象学假设:(14)τsubjective∝DeffΓcommit,其中Γcommit受到方程(4)的限制。当Deff增加(更多模式活跃)且Γcommit减少(更难同步)时,这个比率会增加——预测时间膨胀。
4.6.2. 药理学分离
该框架预测不同药物类别在相同的两个参数结构(Deff, Γcommit;图4)下具有质量不同的时间现象:
- 迷幻剂(5-HT2A激动剂:裸盖菇素、DMT、LSD)。这些通过放松自上而下的先验的精确加权来增加Deff(Carhart-Harris和Friston,2019年),放松了通常被层次过滤抑制的动态的自上而下的约束。它们可能同时降低K/σ(增加皮层兴奋性,破坏丘脑-皮层门控)。结果是双重效应:更高的Deff和更低的Γcommit,预测时间膨胀伴随着体验的丰富性。DMT在迷幻剂作用下显著增加神经信号复杂性(Timmermann等人,2019年;Schartner等人,2017年),并伴随着明显的主观时间膨胀,在较高剂量下,这种膨胀可能转化为报告的时间无感——这与Deff增加首先膨胀时间体验,最终完全淹没提交架构的状态一致。
- 镇静剂(抗胆碱能药物:东莨菪碱、苯海拉明)。这些增加神经噪声(σ增加)而不增加结构化的Deff——胆碱能干扰降低了有序的振荡动态而不是扩展它们。预测是提交失败增加(更多噪声主导的测量),而没有增加提交之间的体验丰富性:时间混乱而没有时间膨胀。这与抗胆碱能谵妄的现象学相符,在这种状态下,时间体验变得混乱和贫乏。
- 麻醉剂(丙泊酚、七氟醚)。这些可能通过将皮层驱动到较低复杂度、较少整合的状态来降低Deff(Casali等人,2013年)。预测是时间压缩向无意识状态发展:每个提交间隔的体验维度减少,最终不足以维持意识。
- 兴奋剂(安非他明、咖啡因)。这些可能通过增强振荡耦合强度(K增加)来增加Γcommit,而不显著改变Deff。预测是轻微的时间膨胀,伴随着时间分辨率的增加——每秒更多的提交,每个提交解决相似维度的状态——这与在中等剂量下使用兴奋剂时报告的“加速”感觉一致。
4.6.3. 主观时间作为提交之间的体验维度
认知状态:本节是探索性的;它将框架转化为关于不同药物条件下主观时间体验的可验证的定性预测。
相干时间框架确立了提交率Γcommit≈1/τcoh受到协调动态的限制。一个直接的结果涉及体验的时间结构。在急性压力下,感知回路中的唤醒状态会增加一致性r值。根据速度-灵活性权衡原则(命题2),这会同时提高每次承诺的信息量(即commit quality),并且根据对K/σ的净效应,可能会改变承诺的频率。在威胁情况下,主观上感觉时间变慢,反映了被采样的动态系统Deff的增加——增强的唤醒状态激活了额外的感觉和评估模块——而客观的时间分辨率(运动回路)保持不变,因为运动通路在较低的M值下运行,具有不同的耦合参数。4.7 对人工和工程系统的启示:一致性时间框架为任何缺乏全局时钟的分布式计算系统指出了一个设计约束。有时钟的架构(CPU、GPU)通过外部同步来规避协调问题,但可能会限制我们在这里建模的自主、半独立模块动态的种类。无时钟的架构(生物神经网络、类脑硬件)虽然需要承担指数级的协调成本,但可以获得真正高维的动态(Todd, 2026)。方程(4)为类脑设计提供了定量指导:这类系统必须接受较低的M值,设计较高的基线r值,或者开发出能够局部化协调需求的层次化架构。哺乳动物小脑就是一个这种层次化解决方案的例子。小脑以较低的协调深度(M约为3-5)、紧密的耦合(r约为0.8)和定型的基本单元运作,能够实现10-20毫秒的承诺时间(Wolpert等人,1998年;Ito,2008年),在需要快速行动时足以覆盖缓慢的皮层动态。小脑处理过程主要是无意识的,这与现象体验与高维预承诺动态相关的假设一致:解决速度问题的架构——即降低M值——同时也将处理过程从意识体验的领域中移除。4.8 局限性和范围:参数数量。一致性时间界限包含五个参数(M、r、??、α、λattempt)。这些参数应被视为协调架构的描述符,而不是无限制的曲线拟合调整参数。与完整的N振荡器系统相比,这已经是一个很强的压缩了,后者具有O(N2)的耦合、频率分布和噪声过程。在这里,稀疏拓扑边界测试是相关的:当模块压缩假设不成立时,预测性能也会下降(R2=0.28),表明这五个参数的总结具有真正的有效性,而不是无限的灵活性。参数可识别性。在Kuramoto验证中,r和α是从模拟数据中估计出来的;其余参数是通过模型构建设定的。对于实证神经数据,仅从行为时序中同时识别所有五个参数是不太可能的。当M和r被独立限制时(例如,通过电极阵列估计参与组件和成对一致性),该框架最为有用,此时α成为主要的自由参数。特定预测共同限制了参数子集:α-同步实验(第4.3节)确定了λattempt(如果绑定窗口随tACS频率线性变化,比例常数给出了尝试率);M缩放预测(不同协调深度的任务之间的指数依赖性)确定了α;而??可以从互相关图宽度独立估计出来。在这些三个参数被限制的情况下,剩余的自由度(M、r)是框架旨在预测的任务依赖变量。制度边界:指数缩放τcoh∝p1?α(M?1)在模块化拓扑中得到了清晰的验证(R2=0.97),但在稀疏随机图中验证效果较差(R2=0.28;图1)。这是预期的:该界限假设模块间协调是速度限制步骤,这需要模块化或层次化的耦合。在没有明显模块结构的网络中,其他瓶颈(渗透阈值、混合时间)可能占主导地位。因此,该框架适用于具有可识别协调架构的系统,而不是任意振荡器群体。模块大小混淆:验证过程中M值固定为N=100,因此随着M的增加,模块大小减小(从M=3时的约33个振荡器减少到M=10时的10个振荡器)。如果模块内一致性rintra随模块大小减小,这将为τ的增加提供另一种解释。我们验证了rintra并没有系统性地减小:在M=3-10的范围内,平均rintra范围从0.66到0.74,呈现出轻微的正趋势(给定相同的Kintra,较小的模块更容易同步),这证实了观察到的τ随M的变化反映了模块间协调成本,而不是模块内退化。停留时间敏感性:承诺检测需要持续对齐,即Tdwell=30毫秒。我们通过将此阈值减半(15毫秒)和加倍(60毫秒)来测试鲁棒性:所有M值下的中位数τcoh估计变化不到5%,这证实了首次达到初始对齐的时间占主导地位,保持要求并没有起到实质性的作用。缩放指数对Tdwell的变化具有鲁棒性。与同步理论的关系:Kuramoto模型及其扩展(Kuramoto, 1984; Strogatz, 2000; Acebrón等人, 2005; Ott和Antonsen, 2008)提供了一个关于同步开始和序参量动态的成熟理论。最近的研究将这一框架扩展到了兴奋-抑制架构,表明兴奋-抑制平衡可以使耦合的相位振荡器系统在同步、双稳态和不同步状态之间切换(Kuroki和Mizuseki, 2025)。在我们的解释中,一致性时间界限在部分同步状态下最为相关,在这些状态下对齐是可能的但很少发生。这些状态也与最近关于大脑功能中临界点的计算操作点的讨论相吻合(Hengen和Shew, 2025)。本文并不与这些文献竞争。我们探讨的是另一个问题:鉴于振荡器可以同步,系统必须等待多长时间才能发生深度为M的协调事件?一致性时间界限是在产品流形上的等待时间结果,而不是序参量的分岔分析。时间嵌入:结果部分将绑定窗口和感知周期视为一致性时间界限的表现。这种框架与现有数据一致,但并非唯一的方式——基于抑制反弹、注意力采样或预测编码的另一种解释也可能产生类似的时间尺度。不同的预测在于时间分辨率随协调深度M的缩放,而不是绝对时间尺度。5. 结论:我们已经展示了在模块化框架适用的范围内,一致性时间——分布式振荡器组件实现足够相位对齐以进行不可逆状态注册所需的时间——与协调深度M呈指数级增长。统一的界限τeff≥max[τQSL, τSNR, τcoh, τpower]表明,在生物神经系统中,量子速度限制和Landauer界限并不是处理速率的限制因素;多模块协调提供了处理速率的约束,其效果超过了量子下限大约十一个数量级。核心的验证发现是速度-灵活性权衡:增加M值会指数级减慢承诺速度,但扩展了组合灵活性;而增加耦合r值会加快承诺速度,但将动态限制在低维流形上。该框架从独立受限的参数中恢复了绑定窗口的时间尺度,并提供了对同步线性、模块依赖性和时间分辨率随协调深度缩放的具体测试。更多的探索性扩展——相位差动态、候选的生物物理基础以及基于Deff/Γcommit的主观时间预测——仍然是假设,但这些假设现在明确地与可测量的量相关联。主要限制是需要可识别的模块结构:指数缩放在模块化拓扑中得到了清晰的验证(R2=0.97),但在非结构化网络中则不成立,这限制了其适用性,仅适用于具有层次化或模块化协调架构的系统。关于写作过程中生成式AI和AI辅助技术的声明:在准备过程中,作者使用了Claude Code(Claude Opus 4.6, Anthropic)进行文献回顾、数学公式化、编码和编辑。GPT-5.3(OpenAI)提供了关于数学严谨性和实证基础的宝贵反馈。所有内容均由作者审阅和修订,作者对发表的文章负全责。资金:这项工作没有外部资金的支持。