一、读到这篇文章的起点
最近在看两个相互关联的方向：一个是神经突触传递的概率性解释，另一个是物理学形式化方法如何被引入到神经科学理论建模中。在这个过程中，一个很自然的问题会冒出来：突触传递通常被描述为一个生物化学过程，但如果把它抽象成一连串事件——钙离子到达、囊泡相互作用、神经递质释放、跨突触间隙传递——那么这些步骤能不能被统一写成一个“概率链条”？如果可以，那么这种概率到底只是普通条件概率，还是还可以进一步用量子力学里的概率振幅来表达。
带着这个问题，就读到了这篇论文 “Theory of Neural Synapse from Quantum Amplitudes and Conditional Probabilities”。这篇文章最吸引我的地方在于，它不是从传统神经生理实验出发，而是试图从一个更理论化的角度，把神经突触过程看成量子概率与贝叶斯条件概率共同作用的结果。这类思路和常见的神经科学论文很不一样，因此读起来会很有“理论建模论文”的感觉。
二、论文与会议来源
这篇文章收录于 2024 7th Asia Conference on Cognitive Engineering and Intelligent Interaction (CEII 2024) 论文集。论文首页给出了 DOI：10.1109/CEII65291.2024.00014，并显示该文页码为 26–30。
从论文定位来看，这是一篇偏理论建模 / 概念性推导的文章，讨论的是神经突触在概率论和量子力学形式下的描述方式。它和 CEII 这类会议的关系，更多体现在“认知与神经过程的理论解释”以及“跨学科建模”这一层面，而不是典型的数据驱动实验研究。
三、这篇文章主要在解决什么问题
这篇文章要解决的核心问题可以概括为：
能否把神经突触过程表示为一串由量子概率振幅和贝叶斯条件概率共同决定的事件链。
作者在摘要和引言中给出的基本观点是：如果神经突触本身是一个概率事件，那么在神经递质真正释放之前，轴突区内应该已经发生了一系列前置子过程，这些子过程本身也可以各自赋予概率。论文把神经突触粗略分成三步：
- Ca²⁺ 波到达轴突区域
- 这些波与突触小泡相互作用
- 神经递质被释放，并跨越突触间隙到达受体神经元
作者认为，这些过程不必完全看成经典决定论事件，而可以尝试赋予它们概率振幅，并进一步在整个链条上引入贝叶斯条件关系。
换句话说，这篇文章真正想回答的问题不是“突触的实验机制是什么”，而是：
如果把突触看成一系列条件相关的概率事件，那么能否用量子力学 + 贝叶斯方法写出一个统一的理论框架。
四、为什么这个问题难做
读下来会发现，这个问题并不只是“套一个量子公式”那么简单，它真正难在三个层面。
1. 突触传递本身是复杂的生物过程，物理抽象非常强
论文关注的是：
- Ca²⁺ 波到达
- 囊泡相互作用
- 神经递质释放
- 神经递质通过 cleft 到达相邻神经元
这些过程原本带有明显的生物化学与细胞生理背景。但作者在这里选择的是高度抽象化处理：不直接从分子机制细节出发，而是把这些过程视为“可赋予概率的状态转移过程”。
也就是说，这篇文章的难点首先在于：
如何把一个复杂的生物过程压缩成一个可以数学化处理的状态链。
2. 论文试图同时结合量子力学和贝叶斯条件概率
作者的思路不是单独使用经典概率，而是两步走：
- 先用量子力学的概率振幅来描述各个子过程；
- 再把这些概率嵌入到Bayes 定理里，构成条件概率链。
这意味着问题会比普通统计建模更复杂，因为它要求：
- 先定义系统的 Hamiltonian
- 再写出演化算符和波函数
- 计算量子概率
- 最后再把这些概率放进条件概率框架里
这也是这篇文章和普通神经建模论文差异最大的地方。
3. 这种建模非常依赖假设，参数选择会直接影响结论
从论文后半部分可以看出，它最后给出的结果是一些基于设定参数的概率曲线，例如 Gaussian 宽度、随机数项、归一化系数等都会影响最终的 Bayes 概率曲线形状。
这说明本文的结果并不是“实验数据拟合出来的结论”，而是：
在一组特定理论假设和参数设置下，这个模型会给出怎样的概率行为。
五、作者是怎么拆解这个问题的
我觉得这篇文章比较值得学习的一点，是它没有笼统地说“突触是量子的”，而是把问题拆成了一个两步结构。
第一步：先为突触各子过程定义量子概率
作者首先假设，突触相关的每一个子过程都对应一个量子概率振幅。论文写出了标准形式：
- 概率振幅：
A = <Ψ_B | Ψ_A> - 概率：
P = |<Ψ_B | Ψ_A>|^2
也就是说，系统从初态到末态的转移，被视为一个量子态之间的过渡。
为了进一步描述时间演化，作者又引入了演化算符：
U(t - t0) = exp[- iH(t - t0)/ħ]
因此，第一个核心任务就变成了：
给突触过程构造一个合理的 Hamiltonian，并由此得到子过程的概率。
第二步：再把这些量子概率放入 Bayes 条件概率链中
在量子概率算出来之后，作者进一步提出：突触并不是独立事件的堆叠，而是一个条件链条。比如：
- 神经递质能否跨越 cleft
- 是否会在 cleft 中“堆积 / bunching”
- 是否最终到达下一神经元
这些都不是相互独立的，而应该具有条件关系。
于是，作者把这些量子概率再放入 Bayes 定理，构造所谓的 Bayesian synapse。
所以整篇文章的逻辑链是：
突触子过程 → 量子概率振幅 → 子事件概率 → 条件概率链 → 突触完成概率。
六、技术路线：这篇文章的方法框架
从方法部分来看，这篇文章的技术路线可以理解成四个模块。
1. 量子振幅建模模块
作者先从最基本的量子力学形式出发，定义初态 |Ψ_A> 和末态 |Ψ_B>，再写出：
- 概率振幅
A - 概率
P - 演化算符
U(t-t0)
接着，作者先从自由粒子模型出发，把神经递质看作具有动量 p 和质量 m 的粒子，其 Hamiltonian 先写为：
H = p^2 / 2m
随后通过插入完备关系和波函数展开，得到在位置表象下的概率表达式。
这一部分的作用是建立一个最基本的量子描述框架，也就是：
神经递质从某个初态演化到某个末态，其概率可以由量子振幅给出。
2. 电相互作用建模模块
接下来，作者认为“自由粒子”还不够，因为神经递质本身带电，囊泡之间也可能存在电相互作用。
于是，作者进一步引入：
- 每个囊泡中的神经递质数
n - 单个神经递质电荷
q - 囊泡体积
V - 电荷密度
ρ = nq / V = Q / V
并假设两个小泡之间存在类似 Coulomb 力：
F = κ Q^2 / x^2
由此，势能被写成与 1/x 相关的形式，Hamiltonian 被修正为：
H = p^2 / 2m + κQ^2 / x
也就是说，这一部分的核心思想是：
把神经递质在轴突区域及 cleft 附近的行为，看成“动能 + 电相互作用势能”共同支配的系统。
3. cleft 中的相互作用与通过概率建模模块
在第三部分，作者开始专门讨论 突触间隙（cleft）中的过程。这里的设定是：
- 神经递质已被释放
- 它们可能“顺利通过”
- 也可能由于电相互作用出现“排斥 / bunching”
- 还可能导致“突触失败 / collapse”
作者假设在 cleft 中，动量项变得很小，因此电相互作用主导。随后推导出神经递质到达某一位置 x 或更远位置 r 的概率表达式。
为了描述“未能成功到达下一个神经元”的情形，作者进一步引入了一个 Gaussian 波函数：
Ψ(r) = exp[- (r / w)^2 ]
最后得到某种关于 r、t 和 Gaussian 宽度 w 的概率形式。
这一部分我读下来感觉是：作者试图把“能否通过 cleft 并到达受体神经元”这件事，也统一写成一个量子概率。
4. Bayesian synapse 模块
前面得到两个关键概率后，作者开始把它们放进 Bayes 定理：
- 通过 cleft 的概率
- 到达受体神经元的概率
然后再结合一个随机项 R，写出最终的 Bayesian probability of synapse。
从图 1 可以看出，作者把整个过程画成了一个条件链：
- 先释放
- 再可能被阻塞 / bunching
- 或者成功通过 cleft
- 最终到达相邻神经元
这一模块其实就是整篇文章最核心的思想表达：
突触不是单一步骤，而是多个条件相关子事件构成的 Bayes 链。
七、实验 / 结果部分说明了什么
严格来说，这篇文章并没有做生物实验，也没有用神经数据去拟合模型。它的“结果”主要是理论曲线和参数化概率图。
1. 作者画出了不同参数下的 Bayesian synapse 概率曲线
论文在图 2 和图 3 中展示了不同设定下的突触概率曲线。主要变化因素包括：
- Gaussian 宽度
w - 归一化常数
- 随机数项
R - 取复指数的
cos或sin部分
图中的曲线显示，不同参数设置下的“synapse probability”会呈现明显不同的行为。
2. 论文认为概率曲线表现出“相位 / 阶段”特征
作者在结果分析中指出，这些 Bayesian 概率曲线中出现了两种行为：
- 某个区间内概率相对稳定，可以被解释为“stable synapse”
- 超过一定范围后，概率快速下降，表现出“collapse”或渐近衰减行为
例如在文中一个设定下，作者指出上图概率在 t = 1.6 之前较稳定，之后开始出现明显衰减；而在另一种设定下，概率在更早阶段就快速塌缩。
这说明在作者的框架里：
突触完成不是一个恒定结果，而是对参数和条件较为敏感的过程。
3. 这些结果更像“理论可行性展示”，而不是生物学验证
我觉得读到这里需要特别分清一点：
论文最后的图像结果，并不是神经实验数据，而是根据模型公式、设定参数和随机项生成的理论曲线。
因此，这篇文章真正支持的是：
如果把突触写成量子概率 + 条件概率链，这个模型在数学上可以生成具有阶段性和塌缩特征的突触概率曲线。
但它并没有直接证明真实生物突触一定服从这个模型。
八、读完之后的几个感受
1. 这篇文章更像一篇概念性理论探索，而不是实验神经科学论文
这篇文章最明显的特点，就是它几乎完全站在理论形式化的角度来讨论突触。它的重点不是实验观测，而是：
- 能不能写出 Hamiltonian
- 能不能得到量子概率
- 能不能把这些概率再放入 Bayes 框架
所以如果把它和常见的神经科学实验论文相比，它更像是一篇理论建模尝试。
2. 作者的核心贡献不在“证明了量子突触”，而在“提出了一种形式化写法”
我读下来更愿意把这篇文章理解为：
作者提出了一种把突触过程写成“量子振幅 + 条件概率链”的数学框架。
这并不等于已经证明突触真实机制就是如此，但它至少提供了一种形式化路径：
把原本分散的子过程组织成一个统一概率模型。
3. 这篇文章的假设很强，因此更适合当作“思想实验式”的论文来读
比如文中有很多关键设定：
- 神经递质按粒子来处理
- 囊泡之间引入类似 Coulomb 相互作用
- Gaussian 波函数形式由作者指定
- Bayesian 概率里还引入随机数项
这些都会直接影响结果。因此从阅读态度上，我觉得更适合把它当作一篇：
跨学科理论探索 / 思想实验性质的工作
而不是直接把它当作对真实突触生理机制的定论。
4. 它最有意思的地方，是把“突触成功”解释成条件链上的事件完成
传统上很多人会把突触想成“发生 / 不发生”的单一步骤。
而这篇文章很明确地在强调：
- 释放是否发生
- 是否在 cleft 中受阻
- 是否最终到达下一神经元
其实是相互依赖的条件事件。这一点不管是否接受量子建模，本身都很有启发性。
九、一个简短总结
如果用一句话概括这篇文章，可以写成：
这篇论文尝试把神经突触过程建模为由量子概率振幅和贝叶斯条件概率共同决定的事件链，先用 Hamiltonian 和波函数描述神经递质释放与传递，再将这些子事件概率嵌入 Bayes 框架，从而给出一个理论上的“Bayesian synapse”模型。
它最值得记住的，不只是“用了量子力学”这件事，而是它回答了几个更基础也更有争议的问题：
- 突触是否可以被抽象成多个条件相关的概率事件；
- 这些概率是否可以用量子振幅来表达；
- 如果把它们串成 Bayes 链，会不会出现阶段性与塌缩行为。
十、论文引用信息
Nieto-Chaupis, H. (2024). Theory of Neural Synapse from Quantum Amplitudes and Conditional Probabilities. In: 2024 7th Asia Conference on Cognitive Engineering and Intelligent Interaction (CEII). IEEE, pp. 26–30. DOI: 10.1109/CEII65291.2024.00014.
十一、会议网站
CEII 2024 会议页面：https://www.ceii.asia/his2024.html
IEEE 会议论文集页面：https://ieeexplore.ieee.org/xpl/conhome/11037609/proceeding
