autoregressive-flow-matching-neural

---
name: autoregressive-flow-matching-neural
description: "Autoregressive Flow Matching (AFM) framework for probabilistic prediction of neural dynamics from multimodal sensory input, enabling conditional distribution learning of future neural activity with closed-loop neurotechnology applications."
triggers:
  - neural dynamics prediction
  - flow matching
  - probabilistic forecasting
  - brain dynamics
  - autoregressive flow
  - neural activity prediction
  - BOLD signal
  - closed loop neurotechnology
  - multimodal sensory
paper: "2604.11178"
date_created: "2026-04-23"
---

# 自回归流匹配神经动力学预测方法论 (AFM)

## 概述

自回归流匹配(Autoregressive Flow Matching, AFM)是一种用于神经动力学概率预测的框架。该方法从多模态感官输入学习未来神经活动的条件分布，通过自回归因式分解和连续归一化流实现高质量的概率预测。研究发现，过去BOLD动力学信号是未来神经活动的最主要驱动因素。

## 核心架构

### 1. 问题形式化

```
目标：学习条件分布 p(Y_{future} | X_{past})

其中：
- Y_{future} = [y_{t+1}, y_{t+2}, ..., y_{t+T}] : 未来神经活动
- X_{past} = [x_1, x_2, ..., x_t] : 多模态感官输入历史
- 感官模态包括：视觉、听觉、体感等

概率预测目标：
  max Σ log p(y_{t+k} | y_{t+1:t+k-1}, X_{past})
```

### 2. 自回归流匹配（AFM）框架

```
架构组成：

1. 条件编码器 h(X_{past}) → c  (上下文向量)
2. 自回归核心：逐步预测未来时间步
3. 流匹配层：每个时间步的条件分布建模

Flow Matching 公式：
  给定条件 c 和过去预测 ŷ_{t+1:t+k-1}：
  z_0 ~ N(0, I)  (噪声样本)
  z_1 = y_{t+k}  (目标神经活动)
  
  学习向量场 v_θ(z_t, t, c, ŷ_{past}) 使得：
  dz_t/dt = v_θ(z_t, t, c, ŷ_{past})
  
  生成过程：z_0 →[v_θ]→ z_1 = ŷ_{t+k}
```

### 3. 条件分布学习

```python
class AutoregressiveFlowMatching(nn.Module):
    def __init__(self, dim_neural, dim_sensory, hidden_dim=256, n_flows=4):
        super().__init__()
        
        # 多模态感官编码器
        self.sensory_encoder = nn.LSTM(
            input_size=dim_sensory,
            hidden_size=hidden_dim,
            num_layers=2,
            bidirectional=True
        )
        
        # 自回归状态更新器
        self.ar_updater = nn.GRUCell(
            input_size=dim_neural,
            hidden_size=hidden_dim
        )
        
        # 流匹配网络
        self.flow_nets = nn.ModuleList([
            ConditionalFlowNet(hidden_dim, dim_neural)
            for _ in range(n_flows)
        ])
    
    def forward(self, sensory_input, n_future_steps, n_samples=100):
        # 编码感官历史
        context, _ = self.sensory_encoder(sensory_input)
        c = context[-1]
        
        predictions = []
        prev_neural = torch.zeros(context.size(1), dim_neural)
        
        for k in range(n_future_steps):
            h = self.ar_updater(prev_neural, c)
            z_0 = torch.randn(n_samples, *prev_neural.shape)
            z_1 = self.flow_match(z_0, h, n_steps=10)
            predictions.append(z_1)
            prev_neural = z_1.mean(dim=0)
            c = h
        
        return torch.stack(predictions)
```

### 4. 关键发现：BOLD动力学的主导驱动作用

```
实验发现：
- 过去BOLD信号解释了未来神经活动变异的 >80%
- 视觉/听觉等特定感官模态的贡献相对较小
- 自回归结构（依赖过去预测）是关键
- BOLD的血流动力学响应函数(HRF)本身提供时间平滑性

启示：
1. 神经活动的自相关性是最强的预测信号
2. 多模态感官输入主要提供"扰动"信息
3. 简单的AR基线已经很强，AFM的优势在于不确定性量化
```

### 5. 闭环神经技术应用

```
AFM在闭环系统中的应用：

1. 实时预测：
   - 从当前/过去神经信号预测未来状态
   - 提供概率分布而非点估计
   - 置信区间用于决策阈值设定

2. 自适应刺激：
   - 基于预测的异常检测触发干预
   - 预测性刺激时序优化
   - 不确定性引导的保守/激进策略切换

3. 临床应用场景：
   - 癫痫预测与预防性刺激
   - 帕金森病深部脑刺激优化
   - 抑郁症闭环神经调控
   - 中风康复脑机接口

系统架构：
[神经信号采集] → [AFM预测器] → [概率决策器] → [刺激控制器]
       ↑                                                    │
       └────────────── [反馈信号] ←──────────────────────────┘
```

## 训练流程

```python
def train_afm(model, dataloader, optimizer, n_epochs=100):
    for epoch in range(n_epochs):
        for batch in dataloader:
            sensory_past = batch['sensory']
            neural_future = batch['neural_fut']
            
            context = model.encode_sensory(sensory_past)
            total_loss = 0
            prev_neural = torch.zeros_like(neural_future[0])
            
            for k in range(neural_future.size(0)):
                target = neural_future[k]
                t = torch.rand(target.size(0), 1)
                z_0 = torch.randn_like(target)
                z_t = (1 - t) * z_0 + t * target
                
                v_pred = model.predict_velocity(z_t, t, context, prev_neural)
                v_target = target - z_0
                
                loss = F.mse_loss(v_pred, v_target)
                total_loss += loss
                prev_neural = target.detach()
            
            optimizer.zero_grad()
            total_loss.backward()
            optimizer.step()
```

### 不确定性量化

```python
def predict_with_uncertainty(model, sensory_input, n_future=50, n_samples=500):
    predictions = model(sensory_input, n_future, n_samples)
    
    mean = predictions.mean(dim=1)
    std = predictions.std(dim=1)
    ci_95 = torch.quantile(predictions, torch.tensor([0.025, 0.975]), dim=1)
    
    return {
        'mean': mean,
        'std': std,
        'ci_95_lower': ci_95[0],
        'ci_95_upper': ci_95[1],
        'samples': predictions
    }
```

## 关键优势

1. **概率预测**：提供完整的未来神经活动分布，而非点估计
2. **自回归结构**：自然处理时序依赖性
3. **多模态融合**：整合不同感官模态的信息
4. **不确定性量化**：支持风险感知的闭环决策
5. **灵活的分布建模**：Flow Matching避免分布假设限制

## 应用场景

- **闭环脑机接口**：预测性神经调控
- **癫痫预测**：发作前概率预警
- **神经康复**：个性化恢复轨迹预测
- **药物试验**：预测神经药理效应
- **认知神经科学**：多模态感知-神经映射

## 注意事项

- Flow Matching训练需要足够样本以稳定向量场学习
- 自回归误差累积：长程预测不确定性随时间增长
- BOLD信号的时间分辨率限制（~2s TR）影响实时性
- 闭环应用中预测延迟需要纳入考虑
- 多被试泛化需要个体化微调

## 参考文献

- Paper: 2604.11178 "Probabilistic Prediction of Neural Dynamics via Autoregressive Flow Matching"
- 相关：Flow Matching, Continuous Normalizing Flows, Neural Dynamics Forecasting


## Activation Keywords

- autoregressive-flow-matching-neural
- autoregressive flow matching
- autoregressive flow matching neural


## Tools Used

- `read` - 读取技能文档
- `write` - 创建输出
- `exec` - 执行相关命令


## Instructions for Agents

1. 理解技能的核心方法论
2. 根据用户问题提供针对性回答
3. 遵循最佳实践


## Examples

### Example 1: 基本查询

**User:** 请解释 Autoregressive Flow Matching Neural

**Agent:** Autoregressive Flow Matching Neural 是关于...