贝叶斯X非线性：基于动态因果的复杂系统自动建模方法

在神经科学中，理解大脑区域间的因果关系对揭示脑功能机制至关重要。然而，大脑网络动态活动复杂，需要结合因果性和非线性的模型来刻画脑区互动。动态因果建模（Dynamic Causal Modelling, DCM）是一种重要方法，通过生物物理动力学模型和贝叶斯推断，从脑成像数据中估计脑区有效连接关系。近日，《皇家学会界面期刊》发表的一项研究将概率编程语言引入DCM方法学，显著提升了模型推断效率和准确性。

传统DCM依赖变分推断或马尔可夫链蒙特卡洛（MCMC）采样来估计参数后验分布，但这些方法存在局限性。例如，变分推断难以处理多模态分布，而HMC等采样算法计算成本高昂且对超参数敏感。研究团队通过概率编程语言（如NumPyro）结合JAX库的自动微分与GPU加速，大幅提高了采样效率，并提出优化策略解决多模态问题：调整采样超参数、广泛初始化链起点、以及基于预测性能的结果堆叠。

实验表明，新方法在典型DCM模型上成功实现了可靠参数推断，所有并行链均收敛到正确解，显著提升了结果一致性。此外，高级变分推断与NUTS采样结果高度一致，验证了不同推断方法的互补性。该研究还提供了跨平台实现，代码已部署至欧洲人脑计划EBRAINS云平台，便于研究者使用。

这一进展不仅降低了DCM的应用门槛，还展示了概率编程与机器学习技术在复杂系统建模中的潜力，为脑科学及其他领域探索因果结构提供了新工具。