匹兹堡大学的主要研究人员说，这种新模型准确地解释了有关活体动物大脑神经元高度可变反应的实验发现。

新模型提供了关于神经回路中神经元之间的活动如何协调的更丰富的理解。研究人员说，该模型可在将来用于发现神经“特征”，这些特征可预测与学习或疾病相关的大脑活动。

论文的资深作者，匹兹堡大学成员，匹兹堡大学数学副教授布伦特·多伦说：“通常，大脑活动在大多数情况下似乎是高度随机且易变的，这似乎是一种怪异的计算方式。”脑研究所(UPBI)。“要了解神经计算的机制，您需要了解神经网络的动力学如何取决于网络的体系结构，而这项最新研究使我们更加接近实现这一目标。”

平衡网络理论的较早版本捕获了兴奋性和抑制性输入的时机和频率如何影响神经行为变异性的出现，但Doiron认为，这些模型使用了生物学上不切实际的捷径。

“最初的平衡模型忽略了大脑中布线的空间依赖性，但是早就知道，彼此相距较近的神经元对比相隔较大距离的神经元对具有更高的连接可能性。早期的模型产生了不切实际的行为，要么是完全随机的活动，而不是大脑，要么是完全同步的神经行为，例如在深部癫痫发作中看到的情况。

在这种平衡的情况下，神经元处于恒定的紧张状态。皮特(Pitt)眼科学助理教授，UPBI成员之一的合著者马修·史密斯(Matthew Smith)说：“这就像用一只脚在脚趾上保持平衡。如果进行小的矫正，则会导致神经发火或交流的巨大波动。”

新模型考虑了神经网络的时空特征以及神经元之间活动的相关性-一个神经元的放电是否与另一个神经元的放电相关。该模型的实质性改进使得科学家可以使用它来预测在处理视觉世界的大脑区域中检查的活神经元的行为。

建立模型后，科学家检查了来自活体视觉皮层的数据，发现他们的模型根据它们之间的距离准确地预测了神经元的行为。附近的神经元对的活动密切相关。在中间距离处，成对的神经元是反相关的(当一个对的反应更多时，另一对的反应则更少)，而在更大的距离处它们仍然是独立的。

Doiron说：“该模型将帮助我们更好地理解大脑如何计算信息，因为这在描述网络结构如何确定网络可变性方面迈出了一大步。”“任何严肃的大脑计算理论都必须考虑到代码中的噪声。神经元变异性的变化伴随着重要的认知功能，例如注意力和学习能力，以及诸如帕金森氏病和癫痫等毁灭性病理的标志。”

当科学家检查视觉皮层时，他们相信他们的模型可用于预测大脑其他部位的活动，例如处理听觉或嗅觉提示的区域。他们认为该模型可以推广到所有哺乳动物的大脑。实际上，研究小组发现，由他们的模型预测的神经信号出现在另一研究小组研究的活着小鼠的视皮层中。