Что в коннектоме сохраняет функцию 

Муха садится на край стакана. Переносит вес, замечает движение, взлетает, исправляет траекторию. В этом эпизоде нет удобного интерфейса между распознаванием изображения и действием: изображение меняется из-за движения тела, тело движется из-за решения нервной системы, а следующее решение принимается уже в другом мире. Именно замкнутый круг делает маленькое животное интересным для инженерии.

Теперь значительная часть его аппаратной схемы доступна в виде данных. Можно выбрать нейрон, посмотреть его входы и выходы, проследить цепочки между отделами нервной системы и построить модель на той же топологии. Для исследователя это редкое положение: архитектуру не приходится угадывать целиком. Но значения параметров и правила работы всё ещё приходится восстанавливать.

Схема печатной платы не содержит работающую программу. Коннектом тоже не содержит достаточного описания работающего животного. В нём нет полной истории обучения, непрерывного состояния клеток, всех рецепторов и физиологических условий. Даже точно восстановленный контакт не сообщает, как изменится поведение при его удалении. Различие между «соединено» и «работает» — предмет этой программы.

Morana Circuit исследует цену сохранения функции. Нас интересует семейство моделей, ограниченных реальной анатомией, и вопрос о том, какие детали графа необходимы для проверяемых предсказаний. Если после удаления половины связей модель сохранила среднюю точность, но перестала правильно предсказывать последствия вмешательств, мы получили более дешёвый имитатор поведения. Если сохранились оба свойства, появляется основание говорить о полезном сокращении модели.

Здесь есть хороший сюжет для настоящего R&D: сначала система кажется избыточной, затем выясняется, что редкие связи могут поддерживать обходные маршруты, а после строгих контролей часть преимуществ может исчезнуть. Каждый исход меняет инженерное решение. Для этого не требуется обещать искусственное сознание или объявлять любой бегущий граф цифровой жизнью.

Сентябрьская новость 2026 года относится прежде всего к MaleCNS — реконструкции центральной нервной системы взрослого самца Drosophila melanogaster. Публикация в Cell вышла 3 сентября; версия данных v1.0 доступна с 8 июня 2026 года. Это разные даты. В систему входят головной мозг и брюшная нервная цепочка, VNC. Официальное сообщение Google Research описывает более 166 тысяч нейронов и около 125 миллионов синаптических соединений. Эти величины нельзя автоматически переносить на любой выгруженный граф: состав реконструкции, фильтры и единица счёта имеют значение. ^{[1, 2, 3]}

FlyWire 2024 года — другой образец: головной мозг взрослой самки. Флагманская работа описывает 139 255 нейронов и около 54,5 миллиона химических синапсов. Этот набор особенно удобен для воспроизводимого структурного пилота: доступны компактные таблицы нейронов, классов и агрегированных соединений. Именно его версия FAFB v783 используется в наших вычислениях. ^{[4, 5]}

К 2026 году существует и BANC, реконструкция мозга и нервной цепочки самки. Поэтому тезис «теперь впервые в принципе можно изучать связь мозга с телом» слишком груб. Числа объектов в авторском README и финальной статье BANC относятся к разным определениям; мы не используем их как единый рейтинг размеров. ^[23] Исследование BANC уже рассматривает нисходящие и восходящие пути и распределённую организацию сенсомоторного управления. Новый проект обязан учитывать эту работу. ^[6]

Это не четыре измерения одного и того же объекта. Меняются особь, пол, объём ткани, протокол реконструкции, разметка и пороги. Разность двух графов может отражать любую комбинацию этих факторов. Самец против самки при одном экземпляре каждого пола не даёт надёжной популяционной оценки полового эффекта. В проекте это проверка устойчивости переноса между образцами, а не статистика «мужского и женского мозга». ^{[1, 6, 7]}

Самое лёгкое обещание в этой области — «возьмём коннектом и запустим нейронную сеть». Оно уже выполнено в нескольких формах. Shiu и соавторы построили модель мозга дрозофилы, ограниченную коннектомом, и проверяли предсказания активаций и сенсомоторных преобразований. Результат показывает, что даже упрощённая динамика может давать содержательные предсказания; он не означает, что анатомическая схема полностью определила физиологию каждой клетки. ^[8]

Работа по connectome-constrained моделям зрительной системы, связанная с flyvis, использовала анатомические ограничения совместно с обучением на зрительной задаче для предсказания функциональных свойств нейронов. Здесь принципиально важны оба источника информации: схема соединений и задача оптимизации. Приписывать весь результат только коннектому было бы методологической ошибкой. ^[9]

NeuroMechFly и flybody дают биомеханические среды и модели управления движением. FlyGM изучает контроллер, использующий граф коннектома в embodied reinforcement learning. Существует и работа по размещению модели FlyWire на Loihi 2. Следовательно, ни само наличие тела, ни обучение контроллера, ни запуск на нейроморфном железе не образуют достаточную заявку на научную новизну. ^{[10, 11, 12, 13]}

В апреле 2026 появился особенно полезный для нас препринт Topological Sensitivity in Connectome-Constrained Neural Networks. В рассмотренной flyvis-постановке кажущееся преимущество коннектома менялось после выравнивания начальных условий и использования графов с сохранёнными степенями вершин. Это ограниченный эксперимент и препринт, а не опровержение всей вычислительной нейробиологии. Но он показывает конкретный способ получить красивый ложноположительный результат. ^[14]

Поэтому нашу программу нельзя честно назвать первой проверкой пользы биологической топологии. Потенциальный вклад уже: совместная оценка сокращения сети, неопределённости её динамики, качества предсказаний вмешательств и переноса между версиями и образцами. Приоритет такого сочетания ещё надо проверять расширенным систематическим обзором перед подачей статьи.

Универсальный рейтинг «самых важных синапсов» выглядит удобно, но скрывает выбор функции. Связь может быть мало нужна для средней ошибки на спокойных изображениях и критична для реакции на редкое исчезновение сигнала. Она может почти не влиять на один выход и менять знак реакции другого. Поэтому важность определяется относительно входов, выходов, вмешательств и семейства допустимых моделей.

Рабочая гипотеза H1: при одинаковом вычислительном бюджете и одинаковой доле сохранённых связей критерий сокращения, учитывающий устойчивость предсказаний вмешательств в ансамбле моделей, сохранит эти предсказания лучше, чем удаление только по числу анатомических контактов. Это гипотеза для проверки, а не результат выполненного анализа.

Дополнительная гипотеза H2: часть слабых по числу контактов соединений поддерживает маршруты, которые плохо заменяются другими связями. Если это так, удаление по глобальному порогу будет разрушать некоторые структурные и функциональные показатели раньше, чем более адресное сокращение. Но возможна и противоположная картина: слабые связи окажутся преимущественно избыточными или ненадёжно восстановленными, а простой порог выиграет.

Гипотеза H3 касается переносимости: устойчивость важности на уровне сопоставленных типов и цепей окажется выше, чем устойчивость более детальных признаков связности среди клеток с обоснованным matching. Идентификаторы разных реконструкций напрямую не сравниваются. Результат должен проверяться на заранее выделенной второй реконструкции. Нельзя подобрать правило на FlyWire, донастроить его на MaleCNS и затем назвать MaleCNS независимым тестом.

Во всех трёх случаях отрицательный результат содержателен. Если сильные случайные контроли не уступают исходной топологии, мы ограничиваем утверждение о ценности точного wiring. Если дешёвый порог не хуже сложного критерия, выбираем порог. Если важность не переносится между образцами, публикуем её как свойство конкретной модели и конкретного экземпляра.

Нейрон, синаптический контакт и ребро графа — разные единицы. Между одной парой клеток может быть много контактов. Таблица может дополнительно разбивать пару по областям мозга. Поэтому число строк файла иногда отличается и от числа уникальных пар, и от суммы контактов. Сравнивать их без определения — примерно как сравнивать число дорог, полос и машин на дороге.

В нашем структурном графе вершина — нейрон с исходным идентификатором, направленное ребро i→j — уникальная пара пресинаптической и постсинаптической клеток, вес wᵢⱼ — сумма доступных syn_count по этой паре. Сначала агрегируем строки, затем применяем порог веса. Если применить порог к каждой области отдельно, часть суммарно сильных связей исчезнет, и получится другой граф.

Здесь r — строки или области, в которых выгрузка представляет контакты данной пары; τ — выбранный порог. Эта формула описывает подготовку структурного графа. Она не утверждает, что физиологическая проводимость линейно пропорциональна числу контактов.

Идентификаторы нейронов хранятся как точные целые числа или строки. Они могут выходить за предел точного целого в JavaScript Number. Округление ID при импорте способно склеить разные клетки, а значит изменить граф ещё до первого научного вычисления. Для браузера отдаём уже агрегированные результаты; биологические ID через floating point не прогоняем.

Вершины без рёбер после фильтрации остаются в реестре. Иначе сокращённый граф начинает выглядеть здоровее просто потому, что из знаменателя исчезли изолированные клетки. Также отдельно фиксируем петли, дубликаты, неизвестные классы и долю записей, не сопоставившихся с аннотациями.

Надпись «v783» недостаточна для полного воспроизведения. Геометрия и связи могут относиться к одному материализованному снимку, а классификация клеток обновляться позднее. Авторский репозиторий аннотаций предлагает версионированные выпуски. ^[22] Скачанные сегодня два файла с общей меткой версии необязательно были опубликованы одновременно. Поэтому единицей воспроизведения служит набор конкретных файлов с контрольными суммами.

В manifest сохраняем исходный URL, имя объекта, размер, дату получения, SHA-256, доступные generation и Last-Modified, а также описание лицензии. Для производных файлов добавляем команду, версию Python и библиотек, seed, политику агрегации и порог. Один manifest относится к одной конкретной сборке анализа.

Исходные выгрузки сохраняются отдельно от нормализованного представления. Очистка не должна молча переписывать источник. Если обнаружилась ошибка аннотации, создаётся слой исправлений с причиной и новой контрольной суммой. Тогда можно повторить старый результат и отдельно измерить эффект исправления.

Особое внимание уделяется границе объёма ткани. Отсутствующий выход клетки может означать настоящий конец пути, обрезание реконструкции или отсутствие надёжной аннотации. Это три разных объяснения. Автоматически превращать каждую оборванную цепь в биологический тупик нельзя.

FlyWire предоставляет данные с условиями атрибуции; конкретные условия сверяются по официальной странице. Лицензия данных, лицензия кода симулятора и условия распространения производных моделей проверяются отдельно. В нашей поставке достаточно ссылок и manifest для повторного получения исходных файлов; большая выгрузка не должна случайно попасть в обычный git-коммит. ^{[5, 15]}

Для динамической модели требуется гораздо больше, чем Aᵢⱼ. Нужны масштабы весов, временные константы, задержки, пороги, внешние токи и способ представления возбуждения и торможения. Их выбор меняет поведение даже при совершенно неизменном графе. Один и тот же коннектом может поддерживать много разных вычислительных режимов.

Это минимальная rate-модель для проектируемых экспериментов. h — состояние клеток, g — эффективные веса, B и C — входной и выходной адаптеры. Уравнение даёт проверяемую инженерную модель, но само по себе не восстанавливает мембранную физиологию животного. Спайковая версия будет отдельным уровнем, если выбранный вопрос требует времени отдельных импульсов.

Предсказанный нейромедиатор полезен, но не является готовым знаком каждого ребра. Эффект зависит в том числе от постсинаптических рецепторов. В частности, глутамат в исследуемой системе нельзя безусловно объявить возбуждающим только по привычке к другой модели. Работа по предсказанию нейромедиаторов прямо обсуждает ограничения интерпретации. ^[16]

Мы задаём несколько биологически мотивированных сценариев для неопределённых параметров и проверяем, какие выводы переживают их смену. Если не существует достаточно обоснованного распределения вероятностей, используем термин «ансамбль сценариев», а не «апостериорное распределение». Широкий набор произвольных параметров не превращается в байесовскую достоверность от переименования.

Теория и teacher–student эксперименты уже показывают, почему одной связности недостаточно для идентификации динамики. ^[18] Разделяем также неопределённость измерения и неоднозначность модели. Ошибка реконструкции означает, что контакт мог быть восстановлен неверно. Неидентифицируемость означает, что разные параметры объясняют доступные наблюдения одинаково хорошо. Эти проблемы требуют разных экспериментов: улучшения карты в первом случае и новых функциональных измерений во втором.

Слабый контроль сделать легко: взять равномерно случайные рёбра и сравнить с настоящим мозгом. Но такая сеть одновременно меняет распределение числа входов и выходов, локальность соединений, соотношения типов, веса и рекуррентность. Если она проигрывает, непонятно, какое из этих отличий обеспечило результат.

Мы используем лестницу контрольных моделей. Первый уровень нужен для диагностики, следующие — для проверки более узких объяснений. Ни один контроль не объявляется идеальным: для каждого публикуем, что именно сохранено и что нарушено.

Rewiring направленного графа делаем двойными перестановками рёбер с запретом нежелательных петель и дубликатов. Ограничения могут резко уменьшить число допустимых перестановок. Тогда формально случайный граф останется почти исходным. Поэтому публикуем число принятых swaps, долю изменённых рёбер, диагностику перемешивания и остаточное расхождение целевых статистик. Точную сохранность всех признаков обещать заранее нельзя. Для взвешенных контролей отдельно публикуем остаточные различия входящей и исходящей силы узлов.

Начальные параметры моделей, наборы стимулов, адаптеры и бюджет подбора гиперпараметров выравниваем отдельно от графа. Общий seed ещё не гарантирует общие начальные веса, если разные графы обходят рёбра в разном порядке. Привязку случайных значений к сопоставимым элементам описываем явно. Контролям разрешается устойчивое обучение; «сломать random и победить» не считается экспериментом. ^[14]

Для пилота загружены три официальных файла FAFB v783: connections_no_threshold.csv.gz, classification.csv.gz и neurons.csv.gz. Общий объём сжатых источников — около 214,7 MB. Таблица связей относится к исходному продукту детекции Buhmann/Heinrich; это не позднейший Princeton synapse prediction. Графовые данные объекта датированы декабрём 2024 года, классификация — февралем 2026. Полученные 16 сентября байты закреплены SHA-256 и generation каждого объекта. ^{[5, 24]}

Реестр содержит 139 255 нейронов. После суммирования контактов по направленным парам 16 847 997 строк превращаются в 15 091 983 уникальные связи с суммарным весом 54 492 922. Самосвязей в этой выгрузке не обнаружено. В исходном графе 616 вершин из реестра изолированы; они остаются в знаменателях. Крупнейшая сильносвязная компонента содержит 135 403 вершины. ^[24]

По зафиксированным аннотациям выбраны 16 938 сенсорных (super_class ровно sensory; 612 sensory_ascending в эту группу не входят) и 1 305 нисходящих нейронов. В полном графе 14 695 сенсорных клеток имеют направленный путь хотя бы к одной нисходящей. Путь здесь может иметь любую конечную длину. Дополнительно посчитаны варианты с ограничениями в 2, 3, 4, 5 и 8 рёбер. Это анатомическая достижимость; знак передачи, время, состояние и физиологическая сила контакта в расчёте отсутствуют.

Выполнены восемь порогов: 1, 2, 3, 5, 10, 20, 50 и 100 контактов на пару. Для пяти бюджетов от порога 5 до 100 добавлены локальное относительное ранжирование и по пять случайных графов с точно таким же числом рёбер. Всего 38 вариантов графа и 266 записей по семи сенсорным группам. Время вычислительного этапа на данном запуске — 30,76 секунды, без скачивания и построения рисунков. Это запись одного запуска, не универсальный performance benchmark. ^[24]

Самое мягкое сокращение удаляет пары с единственным контактом. Оно оставляет 7 595 967 рёбер — 50,33% исходного числа — и 86,24% синаптического веса. Число сенсорных клеток, способных достичь хотя бы одного нисходящего нейрона, падает с 14 695 до 13 387. Относительно исходно достижимых потеря составляет 8,90%. Сохранение веса и сохранение маршрутов уже расходятся. ^[24]

Глобальный порог устроен так, что при полученном числе рёбер он сохраняет максимально возможную сумму положительных весов: остаются наиболее тяжёлые пары. Это математическое свойство выбора top-weight, а не открытие о мозге. Поэтому высокая сохранность общего веса не может сама по себе служить независимым аргументом в пользу метода.

Порог 5 даёт в нашей процедуре 2 700 513 пар. В опубликованном анализе сети встречается 2 701 601 пороговое соединение. Эти числа не подгонялись друг к другу: мы фиксируем собственную операцию над конкретной выгрузкой. Точная причина небольшого расхождения требует отдельного сопоставления исходных фильтров, продукта связей и аннотаций. Она не установлена текущим пилотом. ^{[19, 24]}

Уже из этого расчёта следует практический вывод: пользователь, сокративший модель «до 60% веса», должен отдельно проверить, какие маршруты и группы клеток он потерял. Однако из наличия маршрута не следует передача полезного сигнала. Часть маршрутов может быть физиологически неактивной, а удаление слабой связи может означать удаление ошибки реконструкции.

Во втором варианте мы нормируем вес каждой связи на суммарный исходящий вес её пресинаптической клетки. Затем берём глобально M связей с наибольшим относительным значением, где M точно равно бюджету порогового графа. Ничего не дообучаем и не используем сенсорные метки в выборе. Равные значения разбираются детерминированным порядком CSR. Это глобальный top-M, не квота для каждой клетки и не сохранение степеней; чувствительность к разрешению равных score пока не проверена. Это простая эвристика для диагностики; нормированные веса давно используются в анализе коннектомов. ^{[24, 25]}

При бюджете 1 066 822 рёбер, соответствующем порогу 10, локальное правило оставляет только 28,58% общего веса, но сохраняет достижимость для 14 570 сенсорных клеток. Это 99,15% от 14 695 исходно достижимых. Глобальный порог при том же числе пар оставляет 43,43% веса и маршруты для 6 326 клеток, или 43,05% исходно достижимых. По одной этой метрике локальная нормировка выглядит чрезвычайно удачной. Но при ограничении длины маршрута тремя рёбрами исходно достижимы 14 299 источников, после локального сокращения — 6 277, после порогового — 3 106. Поэтому даже 99,15% достижимости без ограничения длины не означает сохранения коротких путей. ^[24]

У случайного контроля диапазон sensory-достижимости составляет 7 073–7 185 по пяти seed. Это наблюдаемый минимум–максимум, а не доверительный интервал. Случайный контроль сохраняет число рёбер, но не сумму веса, степени вершин или распределение типов. Поэтому он нужен как простой ориентир; причинный эффект конкретной нормировки этим сравнением не изолирован.

Теперь сокращаем бюджет до 366 864 пар, соответствующих порогу 20. Локальное правило сохраняет маршруты для 12 193 сенсорных клеток против 3 262 у порога. Но крупнейшая сильносвязная компонента локального графа падает до 2 447 клеток, тогда как пороговый граф сохраняет 32 823. Общая сенсорная доступность и большая рекуррентная компонента оказываются разными целями. ^[24]

Ещё жёстче разрез по модальностям. Среди всех 2 281 обонятельных клеток локальный граф сохраняет путь к нисходящим для 17,89%, пороговый — для 51,51%. Для 11 426 зрительных клеток соотношение обратное: 77,49% против 11,74%. Большая зрительная группа доминирует в общем счётчике и скрывает потерю обонятельных путей. Здесь знаменатель — все клетки данной группы, а не только исходно достижимые.

Это наиболее полезный результат пилота: простое правило может почти идеально сохранить одну агрегированную метрику и сильно ухудшить другую. Объявить его победителем по одной общей цифре было бы ошибкой. Следующий алгоритм должен явно выбирать компромисс и показывать разрезы по группам.

Пилот показывает зависимость структурных свойств конкретной выгрузки от способа сокращения при одинаковом числе рёбер. Он выявляет сильное расхождение между сохранением веса, sensory→descending достижимостью, размером SCC и отдельными сенсорными группами. Это воспроизводимая диагностическая находка, а не доказательство нового универсального принципа нервной системы.

Результат не говорит, что обоняние животного ухудшилось на определённый процент. В графе нет модели стимулов, поведения, рецепторов и динамики. Путь до любого одного нисходящего нейрона не означает доступ ко всем нужным моторным выходам. Большая SCC тоже не измеряет память, устойчивость или сознание: она лишь означает взаимную достижимость в направленном графе.

Визуальная группа здесь многочисленнее остальных. Поэтому будущая оптимизация должна показывать как micro-метрику, взвешенную числом клеток, так и macro-метрику, усредняющую группы с заранее заданными весами. Для малых групп, например 29 термосенсорных клеток, один нейрон заметно меняет процент. Это не независимые наблюдения о множестве животных.

Не проведены degree-preserving, signed, typed и spatial nulls, функциональное обучение, аппаратные энергозамеры и перенос на MaleCNS. Нельзя дописать их в список выполненного на том основании, что для них уже существует план. Критерии сокращения выбраны для разведочного сравнения; данные этого пилота не используются как независимое подтверждение будущей функциональной гипотезы.

Проверки кода охватывают суммирование дубликатов до порога, направление путей на маленьком контрольном графе, различие any-target и all-pairs, монотонность вложенных пороговых графов, совпадение бюджетов и контрольные суммы. Тем самым установлено, что числа соответствуют объявленной операции. Достоверность самой реконструкции и биологическая интерпретация требуют других проверок. ^[24]

Первый функциональный эксперимент намеренно ограничен зрительной задачей. Исходная flyvis использует периодическую консенсусную модель зрительных цепей, а не буквальный подграф FAFB v783 из нашего пилота. Её репликация и последующий перенос протокола на конкретный коннектом — отдельные этапы. Она позволяет опереться на существующую постановку flyvis и сопоставить вычислительное качество с доступными функциональными характеристиками. Начинать сразу с целой мухи, ходящей в сложной среде, невыгодно: слишком много дополнительных причин неудачи. ^[9]

Выбираем одну опубликованную и воспроизводимую конфигурацию, фиксируем commit и сначала воспроизводим её контрольные метрики в заданном допуске. Затем запускаем исходный граф, degree-preserving контроль, контроль с ограничениями по типам и пространству, а также обучаемую разреженную альтернативу. Основное сравнение выполняется с общими правилами инициализации и одинаковыми вычислительными бюджетами. Репликация чужой работы и новое сравнение получают отдельные таблицы.

Изучение эффектов вмешательств с connectome prior имеет прямых предшественников, включая работу об effectome; сама идея не заявляется нашей новизной. ^[17] Входной кодировщик и выходной считыватель одинаковы по структуре. Если адаптер обучаемый, его параметры и доля вычислений показываются отдельно. Запускаем также adapter-only и разрыв рекуррентного ядра: если качество почти не меняется, полезную работу делает обвязка. Это не повод спрятать ablation, а основание пересмотреть архитектуру.

Результат A отвечает на узкий вопрос: приносит ли выбранная анатомическая организация дополнительную пользу при заданной задаче и бюджете? Победа над слабым random-контролем не даёт положительного вердикта. Для продолжения нужна воспроизводимая разница с сильным контролем либо другой заранее заявленный выигрыш, например лучшее предсказание реакции на вмешательство.

Переход к следующей стадии возможен и без превосходства исходной сети по обычной ошибке. Граф может оказаться ценным как интерпретируемая модель вмешательств. Но это будет другое основание продолжения, и оно должно стоять в протоколе до получения результатов.

Мы сравниваем способы удаления связей при равной доле сохранённых рёбер. Простые варианты: глобальный top-M по весу, случайное удаление, сохранение заданного числа сильнейших входов каждой клетки с общим бюджетом. Для точного бюджета 50% порог дополняется выбором среди одинаковых весов по заранее зафиксированному правилу; чувствительность к tie-break проверяется отдельно. Более дорогие варианты: task-based saliency, оценка изменения ответа при вмешательстве и ансамблевая оценка устойчивости этого изменения.

Главный кандидат Morana Circuit — выбирать сокращённую сеть, которая сохраняет ответы исходного ансамбля на заранее выделенных входах и вмешательствах. На стадии разработки оптимизация использует только обучающий и валидационный наборы вмешательств. Финальный набор остаётся закрытым для выбора рёбер, гиперпараметров и допустимого уровня сокращения.

m — маска сохранённых соединений; Θ — зафиксированный ансамбль сценариев параметров с равными весами в среднем; Dint — расхождение эффектов вмешательств; Cost — выбранная инженерная стоимость. На ранней стадии это число рёбер. Для аппаратных выводов оно заменяется измеренными временем, памятью и энергией. Коэффициенты λ и β выбираются по валидации; итогом служит кривая компромисса, а не одно удачно выбранное число.

Ключевая развилка: сохранение поведения полной модели ещё не доказывает правильность относительно животного. Поэтому существуют два отдельных эталона. Первый — полная модель, от которой мы измеряем потери при сокращении. Второй — независимые физиологические или поведенческие данные, на которых проверяется сама модель. Успех по первому при провале по второму означает аккуратное сжатие ошибочной гипотезы.

Проводим два режима: удаление без дообучения и удаление с одинаковым бюджетом восстановления. Первый показывает непосредственную устойчивость схемы, второй — способность компенсировать повреждение при обучении. Если смешать эти режимы, метод с дополнительными GPU-часами легко окажется «биологически устойчивее» только из-за полученного бюджета.

Две модели могут одинаково хорошо предсказывать обычную активность и совершенно по-разному отвечать на выключение нейрона. Поэтому следующий уровень проверки — предсказание изменения выхода после вмешательства. Для симулятора это фиксированная операция: обнуление выхода выбранного класса клеток, ограниченная активация или удаление заданного набора рёбер.

Симуляционное вмешательство и лабораторная оптогенетика не тождественны. Реальная стимуляция имеет пространственную, временную и генетическую специфичность, а также побочные эффекты. Для сравнения с опубликованным экспериментом сначала описываем соответствие между операцией модели и условиями измерения. Если соответствие слабое, наблюдение остаётся качественным ориентиром.

Набор вмешательств делится по типам клеток или независимым функциональным цепям. Случайное разбиение почти одинаковых стимулов одной клетки создаёт утечку. Контрольные режимы без вмешательства, sham-операция и заведомо нерелевантные группы нужны, чтобы отделить специфическое предсказание от общего падения активности.

S — масштаб эффекта, фиксируемый по обучающим данным с заранее заданным ненулевым нижним ограничением. Без него деление на почти нулевой эффект делает метрику неустойчивой. Вместе с нормированной ошибкой показываем ненормированную ошибку, согласие знака эффектов и интервалы неопределённости.

Внутри модели можно говорить о причинном эффекте определённой операции. Перенос этого языка на реальный мозг требует внешней проверки. Наш ожидаемый результат — список предсказаний, для каждого из которых известны устойчивость к параметрам, конкурирующие объяснения и эксперимент, способный его опровергнуть.

Привязка к одной реконструкции опасна: алгоритм может выучить её особенности обработки. Поэтому часть программы посвящена переносу на MaleCNS и BANC. Сначала сравниваем сопоставимые области мозга и классы клеток. VNC включаем только в задачах, где она присутствует в обоих сравниваемых наборах и качество аннотаций позволяет осмысленное сопоставление. ^{[1, 6]}

Соответствие устанавливается на уровне опубликованных типов и доступных crosswalk-таблиц. Не придумываем однозначную пару для каждой клетки. Для спорных соответствий используем несколько вариантов или исключаем их из основного теста, сохраняя долю исключённого материала в отчёте. Отсутствующий тип, неподтверждённая аннотация и настоящий половой диморфизм учитываются раздельно.

Главная метрика переноса — качество предсказаний или сохранение ранга функциональных групп на независимом наборе. Совпадение красивых глобальных статистик не заменяет эту проверку. Дополнительно сравниваем, переносится ли правило сокращения: надо ли заново настраивать пороги и выигрывает ли оно у простых контролей после смены источника.

Это строгий тест инженерной переносимости, но слабый тест популяционной биологии. Один мозг каждого типа не позволяет отделить индивидуальную вариативность от пола и методики реконструкции. Для популяционных утверждений понадобятся дополнительные экземпляры, согласованные протоколы и отдельная статистическая постановка.

Если перенос проваливается, разбираем четыре причины: несопоставимые клетки, различия полноты, чувствительность к параметрам и реальное различие организации. Мы не выбираем биологическое объяснение просто потому, что оно интереснее остальных.

Качество сокращённой модели нельзя описать единственной точностью. Нужны как минимум четыре оси: задача, вмешательства, устойчивость и исполнение. Структурные показатели из пилота остаются диагностическими: они помогают понять, что изменилось в графе, но не заменяют функциональную оценку.

Основной результат функционального этапа — разность ошибки предсказания вмешательств между предложенным и простым методом сокращения при одинаковом бюджете рёбер и заданном допуске по задаче. Структурные метрики, альтернативные уровни сокращения и нейронные классы считаются вторичными анализами.

Устойчивость к повреждению проверяется отдельными режимами: случайное выключение клеток, локальный провал сенсорных входов, шум входа, изменение задержек и возмущение весов. Нельзя выбирать один удобный вид повреждения после просмотра результатов. Подробная сетка фиксируется после пилота стоимости, до подтверждающего эксперимента.

Измерение энергии проводится на конкретном устройстве с описанным способом учёта мощности, длительностью, прогревом и холостым потреблением. Ускорение на настольном GPU не переносится автоматически на edge-устройство. Разреженная матрица иногда медленнее более плотной из-за нерегулярных обращений к памяти.

Большой граф создаёт соблазн получить крошечное p-value, объявив клетки независимыми наблюдениями. Но клетки связаны друг с другом, а экземпляр мозга остаётся одним. Для сравнения обучаемых моделей основная единица повторения — независимо обученная модель, а не кадр, синапс или отдельный шаг симуляции.

В проекте разделяем три источника вариативности: выбранный контрольный граф, инициализацию и обучение, набор тестовых условий. В эксперименте A обучения повторяются для нескольких экземпляров контрольных графов; одни и те же тестовые эпизоды используются для парных сравнений. В эксперименте B исходный биологический граф фиксирован, а методы сокращения сравниваются парно внутри каждого независимо обученного полного teacher. Это другой дизайн. Результаты сохраняются по каждому уровню, чтобы нельзя было выдать множество коррелированных кадров за новые эксперименты.

Разведочный этап планируется с пятью независимыми контрольными графами и несколькими seed на граф. Он оценивает стоимость, отказы обучения и порядок дисперсии; он не предназначен для окончательной декларации маленького эффекта. Число повторов подтверждающего этапа выбираем после этого, исходя из минимально полезного эффекта и желаемой ширины интервала, затем фиксируем до открытия теста.

Для A используем парную оценку эффекта с учётом вариативности контрольных графов и обучений; общие seeds и baseline учитываются как общие блоки, без размножения одной модели в независимые повторы. Для B bootstrap идёт по независимым teacher-запускам с парным сохранением всех методов сокращения внутри запуска. Выборка тестовых эпизодов отражает отдельный уровень неопределённости. Если независимых графов мало, прямо показываем нестабильность интервалов, а не маскируем её огромным числом нижележащих наблюдений.

Заранее назначаем одну основную метрику, один основной бюджет сокращения и семейство подтверждающих сравнений. Для нескольких подтверждающих гипотез корректируем множественные проверки, например процедурой Holm. Остальные разрезы маркируем как разведочные. Эффект показываем в исходных единицах вместе с интервалом; статистическая значимость без полезной величины выигрыша недостаточна. Практику интервалов и агрегирования learning-экспериментов сверяем с методологической литературой. ^[20]

Числа ниже — предлагаемые инженерные пороги принятия решения, не результаты и не оценки из литературы. До функционального этапа команда может изменить их по стоимости и требованиям выбранной задачи; изменения записываются до анализа подтверждающей выборки. Такая фиксация важнее самого выбора круглого числа.

Если исходная ошибка близка к нулю, относительный допуск заменяется заранее заданным абсолютным, иначе критерий теряет смысл. Допуск по интервенциям также оценивается относительно конкретного масштаба наблюдаемого сигнала и его шума.

Провал одного пункта не разрешает молча переименовать успех. Сохранение функции без ускорения — результат моделирования. Ускорение с потерей предсказаний — инженерный компромисс. Преимущество только над слабым контролем — неподтверждённая заявка. Каждый исход полезен, если назван своими словами.

Решение о прекращении ветки тоже требует артефакта: конфигурации, отрицательной таблицы, причины и границы вывода. «Не получилось» без этих материалов нельзя отличить от недоведённой реализации.

Первый: после сохранения степеней, типов, пространственных ограничений и корректной инициализации биологическая топология не даёт дополнительного преимущества. Тогда полезное ограничение лежит на более грубом уровне. Это подталкивает к дешёвому генератору структурированных сетей вместо копирования конкретного мозга.

Второй: ансамблевый критерий значимости не выигрывает у простого порога после учёта стоимости его расчёта. Тогда метод слишком дорог для полученной точности. Его можно оставить как диагностический инструмент, но нельзя продавать как универсальный способ ускорения.

Третий: функциональные предсказания резко меняются от допустимого выбора знаков или временных констант. Тогда данные не идентифицируют механизм. Следующий разумный шаг — получить измерение, различающее модели, а не увеличить длительность оптимизации той же функции потерь.

Четвёртый: преимущество исчезает на другой реконструкции. Тогда полезный результат может относиться к экземпляру, версии разметки или конкретному набору клеток. Требуется уточнить область применимости и выяснить причину. Обобщение на нервную систему вообще в этот момент закрывается.

Ни один из этих исходов не делает проект бессмысленным. Они устанавливают, на каком уровне анатомическая информация действительно полезна: конкретные пары, типовые блоки, геометрия или лишь степень разреженности. Этот ответ экономит будущие эксперименты и вычисления — даже если он менее эффектен, чем обещание оживить мозг.

Стенд начинается с неизменяемого хранилища источников. Следующий слой преобразует конкретную выгрузку в нормализованные таблицы вершин и рёбер. Затем идут построение подграфов, контрольные графы, динамическая модель, адаптеры задачи и оценка. Между слоями — явные схемы данных и контрольные суммы. Ни один симулятор не должен самостоятельно угадывать, какой файл лежит под названием latest.

Для текущего пилота достаточно Python, NumPy и SciPy: разреженные матрицы и обходы графа закрывают задачу. Динамический этап потребует автоматического дифференцирования и профилирования разреженных операций. Физический симулятор подключается позднее, когда уже понятно, что именно должно проверяться в замкнутой петле.

Слой тела особенно важно отделить от модели мозга. Передача готовой команды ходьбы контроллеру нижнего уровня — разумная иерархическая архитектура, но это не прямое управление всеми мышцами анатомической сетью. В описании эксперимента показываем, где заканчивается граф и начинается обученный или вручную заданный контроллер.

Первый публичный релиз стенда должен уметь повторить ограниченный набор экспериментов. Универсальная платформа со всеми симуляторами, API, визуализацией и плагинами до получения первой функциональной проверки только увеличит число мест, где можно ошибиться.

После агрегации пилот содержит 15 091 983 направленные пары между 139 255 вершинами. При CSR-представлении с 32-битным индексом назначения и float32 весом массивы рёбер занимают примерно 120,7 MB, а массив указателей строк — ещё около 0,56 MB. Это расчёт для конкретного представления, а не измерение общего потребления процесса. ^[24]

При batch = 8 и хранении 1000 шагов состояния 139 255 клеток один float32 тензор занял бы около 4,46 GB. Здесь использованы десятичные GB. Градиенты, оптимизатор, синаптические состояния, служебные буферы и копии увеличивают расход. Поэтому фраза «граф помещается в память ноутбука» ничего не говорит о стоимости обучения длинной динамики.

Сократить затраты можно несколькими независимыми способами: работать с подцепью, разделять параметры по типам, ограничивать длину обратного распространения, применять checkpointing, уменьшать batch, сокращать рёбра. Каждый способ меняет эксперимент по-своему. Если параметры разделяются по типу, число обучаемых параметров уже не равно числу синаптических контактов.

Разреженность сама по себе не обещает ускорение. Удаление половины рёбер может оставить нерегулярный обход, который невыгоден ускорителю. После достижения функционального допуска измеряем несколько вариантов исполнения: sparse CPU, sparse GPU и выбранное плотное или блочное приближение. Сравниваем на одной задаче, длине эпизода, точности и числе параллельных сред.

Для энергопотребления публикуем способ измерения и границу системы. Чип, плата и компьютер вместе с памятью — разные объекты. Без аппаратных измерений в текущем отчёте нет вывода о ваттах, realtime или превосходстве над GPU. Предшествующие Loihi-результаты служат ориентиром постановки, а не нашим измерением. ^[13]

Читателю должно быть возможно пройти от числа в таблице до команды, которая его получила. Поэтому основной материал сопровождают исходный код пилота, manifest источников, машинные CSV/JSON и журнал проверок. Публичная страница читает небольшой срез уже вычисленных результатов; браузер не загружает миллионы рёбер и не изображает новую научную симуляцию.

В следующем функциональном этапе к каждому запуску добавляются commit кода, config, seed, версия данных, параметры адаптера, бюджет подбора и результат завершения. Неудачные запуски остаются в реестре. Из исключения «обучение не сошлось» легко получается скрытый отбор победителей; правило исключения задаём заранее.

Документ протокола замораживается до подтверждающего теста. Для внешне проверяемой предрегистрации нужен timestamped архив или публичный commit; текущий текст является проектом такого протокола, а не доказательством уже состоявшейся внешней регистрации. После изменения гипотезы увеличивается версия и сохраняется предыдущая.

Результаты и измерения имеют собственные лицензии и атрибуцию, а внешние данные — собственные условия. Для FlyWire общая официальная политика указывает CC BY-NC 4.0; конкретный connectivity deposit на Zenodo содержит метку CC BY 4.0. Мы фиксируем это различие и не объявляем всю коллекцию автоматически готовой к коммерческому переиспользованию. Для коммерческой ветки выбираем конкретные артефакты с подходящими подтверждёнными условиями; MaleCNS официально распространяется под CC BY 4.0. ^{[2, 15, 21]}

Короткая цепочка происхождения ценнее декоративного значка reproducible. Если архив недоступен, hash не сходится или версия аннотаций не установлена, отчёт должен завершиться ошибкой, а не нарисовать прежние цифры поверх новых входов.

Проект требует сочетания трёх компетенций: вычислительной нейробиологии, ML-экспериментов и инженерии данных/производительности. Для первого функционального цикла предлагаем команду из двух инженеров с регулярным участием исследователя, который понимает ограничения анатомии и функциональных измерений. Конкретные люди и договорённости в этой версии не заявлены.

Рабочая оценка первого цикла — 16 недель. При двух полных инженерных ставках и 0,25–0,5 исследовательской ставки это 36–40 человеко-недель. Это плановая арифметика, не коммерческая смета и не обещание закрыть научный вопрос в заданную дату. Недоступность подходящих функциональных данных может изменить постановку ещё на первой контрольной точке.

GPU-бюджет определяется после короткого профилировочного этапа. Формула проста: число архитектур × независимых графов × seed × конфигураций × стоимость обучения. Например, условные 6 вариантов, 5 графов, 4 seed и 3 конфигурации дают 360 обучений; при условных двух GPU-часах на обучение это 720 GPU-часов. Значение «два часа» здесь демонстрационное и не измерено. Оно не должно попасть в бюджет закупки без профиля реальной задачи.

Выдавать всю сетку одним пакетом неразумно. Сначала небольшой screening на development-данных, затем замороженный подтверждающий набор. Сокращение числа экспериментов обосновывается до открытия test. Полный бюджет поиска раскрываем. Если сотни проб видели test, он уже не независим и требует новой проверки. При выборе только по development/validation и однократном frozen test корректируем семейство подтверждающих сравнений; механическая поправка на все development-пробы не требуется.

Внешняя экспериментальная валидация — отдельная ветка с партнёром, подходящими линиями животных, протоколами стимуляции и измерения. В текущий вычислительный цикл она не включена как гарантированный результат. На выходе этого цикла должны быть качественные предсказания и обоснование, почему именно их стоит проверять в лаборатории.

Это целевая последовательность. Если воспроизведение базовой модели занимает больше времени, подтверждающий этап сдвигается; его нельзя заменить непрозрачной демонстрацией. Срок не имеет права менять стандарт доказательства.

После недели 2 возможен ранний stop: нет функциональных данных, позволяющих различить конкурирующие объяснения. После недели 5 — технический stop: стоимость полного дизайна превышает доступный бюджет. После недели 8 — научная развилка: исходная гипотеза не поддерживается сильными контролями. Эти точки экономят месяцы работы и дают документированный результат.

Текущий пакет уже закрывает часть подготовки: обзор источников, формулировку гипотез, структурный пилот, набор первоначальных контролей и проект протокола. Он не закрывает репликацию функциональной модели, обучение контроллеров и биологическую валидацию. Хронология этой работы начинается с реально выполненных действий, перечисленных в журнале поставки.

Самый неприятный риск — правильный код, отвечающий на не тот вопрос. Можно безошибочно сохранить достижимость и потерять торможение. Можно сохранить выходную ошибку и исказить внутренние причины ответа. Можно правильно предсказать симулятор, плохо описывающий животное. Поэтому каждому результату сопоставлена конкретная область утверждения.

Риски не оформляются как приложение, которое никто не читает. Они определяют разбиение данных, контрольные модели и правила остановки. Именно это делает исследование сильнее большого числа диаграмм.

Первый результат поставки — воспроизводимый аудит конкретного коннектома: как меняются различные структурные свойства при сокращении, где расходятся глобальные и локальные критерии, какую цену платят отдельные сенсорные группы. Это самостоятельный аналитический материал. Его численные выводы относятся к выбранной выгрузке и описанным правилам построения графа.

Второй ожидаемый результат — карта компромиссов функциональной модели. По горизонтали степень сокращения, по вертикали ошибка предсказаний вмешательств, дополнительные измерения — обычная задача, неопределённость и стоимость исполнения. Такая карта поможет понять, какие анатомические детали нужны для выбранного класса вопросов.

Третий ожидаемый результат — небольшой набор устойчивых предсказаний. Хорошее предсказание должно переживать допустимые изменения параметров, превосходить конкурирующее объяснение и иметь реалистичный способ внешней проверки. Количество таких предсказаний менее важно, чем их способность различить модели.

Для Morana Labs инженерная ценность состоит в воспроизводимом способе проверять разреженные динамические модели при ограниченных ресурсах. Возможные области применения — исследовательские симуляторы, анализ сенсорных систем и компактные контроллеры гражданской робототехники. Перенос на конкретный продукт потребует самостоятельного сравнения с обычными инженерными решениями; биологическое происхождение архитектуры не является бизнес-преимуществом само по себе.

Публикационная формулировка на текущей стадии: «Мы выполнили структурный анализ открытого коннектома и подготовили программу проверки сохранения функции при сокращении сети». Формулировка после будущего успеха будет зависеть от данных: «метод сохраняет такие-то предсказания при таком-то бюджете в такой-то постановке». Ни одна из них не требует выдуманной истории о нескольких годах работы.

В огромном симуляторе легко спрятать незнание. Тысячи параметров дают достаточно свободы, чтобы подстроить почти любой удобный пример, а количество нейронов создаёт впечатление биологической достоверности. Но размер не отвечает на вопрос, почему модель сработала и при каком вмешательстве она сломается.

Полезная сокращённая модель вынуждает назвать необходимое. Какие пути нужно оставить? Какие типы взаимодействий определяют эффект? Какие параметры известны, а какие выбраны? Что изменится, если заменить реальные соединения на структурно похожие? Чем меньше необъяснённых степеней свободы, тем труднее спрятать ошибку за сложностью.

Пилот Morana Circuit уже показывает, зачем нужны несколько критериев одновременно. Сохранение большого числа контактов, сенсорных маршрутов и рекуррентной связности — разные задачи. Между ними возникает измеримый компромисс ещё до запуска нейронной динамики. Это не окончательный ответ о мозге. Это способ поставить следующий эксперимент точнее.

Коннектом ценен тем, что позволяет спорить с устройством системы на языке конкретных соединений. Мы можем удалить связь, сменить предположение, повторить расчёт и увидеть, какое утверждение перестало держаться. Следующий шаг — заставить этот спор выдержать функциональные данные.

Именно здесь программа Morana Labs становится научно содержательной: не в количестве клеток на экране, а в цепочке проверок, после которых остаётся небольшое число утверждений, способных пережить попытку их опровергнуть.