https://www.biorxiv.org/content/10.1101/2025.02.15.630814v1
在大腦如何進行「credit assignment（信貸分配）」的研究中，一直存在一個關鍵難題：
神經元活動與行為結果之間往往相隔幾秒甚至幾十秒，但突觸可塑性（如 STDP）通常只作用在毫秒級。這使得行為導向的學習機制難以用傳統的突觸規則解釋。Cone、Clopath 與 Costa 在 2025 年提出了這篇極具突破性的工作——他們以實驗上觀察到的 Behavioral Timescale Synaptic Plasticity (BTSP) 為基礎，建立了一個可數學解析的學習框架（generalized BTSP, gBTSP），成功將「秒級可塑性」轉譯成一套可以描述、推導與模擬的理論模型。
作者首先以實驗資料為基礎，提出一個廣義學習規則：
其中 Pi(t為樹突 plateau 函數、Wkernel為雙指數可塑性核、λWij 為異突觸抑制項。這個公式能精確再現海馬 CA1 實驗中測得的 BTSP 時間窗與學習強度，建立起「行為時間尺度可塑性」的理論基底。
圖1：gBTSP 核心方程與可塑性 kernel 模擬 vs 實驗曲線
當 gBTSP 用於前饋網路（CA3→CA1 類型）時，若整體活動低於閾值，就隨機觸發一個 plateau。
這種規則自然產生 competitive learning（競爭式學習）：每個神經元透過一次 plateau「佔領」一段空間，使整體網路的活動場均勻分佈於環境中。結果顯示，CA1 神經元能一-shot 形成 place field，並隨時間出現代表性漂移（representational drift），完全符合小鼠實驗的觀察。
當同樣的 gBTSP 規則用於具 seed neuron 的迴圈網路（CA3 類型）時，plateau 可快速塑造出一個低秩 recurrent 結構 Wrec=WdWeW_{rec}=W_dW_eWrec=WdWe。這種結構在訓練後自發形成 環形吸引子（ring attractor），可支撐 pattern completion 與 memory replay，顯示 BTSP 具備在內部生成記憶 manifold 的能力。
圖2.1：seed–visible 網路結構
圖2.2： 2D模擬PC1–PC2 投影呈現環形 manifold