摘要： 神经科学中的计算模型通常采用微分方程系统的形式。此类系统的行为是动力系统理论的主题。动力系统理论为分析神经生物学过程提供了一个强大的数学工具箱，几十年来一直是计算神经科学的支柱。最近，递归神经网络（RNN）已成为一种流行的机器学习工具，它通过模拟底层微分方程系统来研究神经和行为过程的非线性动力学。RNNs 通常在类似于动物实验对象的行为任务上进行训练，以产生关于潜在计算机制的假设。相比之下，RNN 也可以在测量的生理和行为数据上进行训练，从而直接继承它们的时间和几何特性。这样，它们就成为实验探究系统的正式替代物，可以对其进行进一步分析、扰动和模拟。这种强大的方法被称为动力系统重建。在本《视角》中，我们将重点关注人工智能和机器学习在这一令人兴奋且快速发展的领域中的最新趋势。我们将讨论基于 RNN 的动力系统重构的形式前提、不同的模型架构和训练方法、评估和验证模型性能的方法、如何在神经科学背景下解释训练好的模型以及当前面临的挑战。 阅读全文