# 可塑性載體：交流如何改寫耦合參數 ## 從 STDP、Homeostatic Plasticity 到 Metaplasticity 與自適應網路的多時間尺度物理模型 **英文題名：** Plastic Carriers: How Interaction Rewrites Coupling Parameters — From STDP and Homeostatic Plasticity to Metaplasticity and Adaptive Networks **系列：** 相位載體物理實現論（Phase-Carrier Physical Realization Theory, PCPRT） **Paper：** 04 **作者：** Neo.K（許筌崴） **機構：** EveMissLab／一言諾科技有限公司 **理論協作：** Aletheia（GPT-5.6 Sol） **版本：** v1.0 **日期：** 2026-08-14 **狀態：** Public Theoretical Paper / Plastic-Carrier Foundation --- ## 摘要 PCPRT Paper 02 已將 physical carrier 的即時狀態區分為 phase、amplitude 與 carrier parameters： $$ (\theta,\mathbf a,\lambda), $$ 並指出 interaction 可能不只造成 phase shift，而會改變 periodic orbit、phase response、relaxation spectrum 與 coupling parameters。Paper 03 則將跨載體交互作用拆成能量、熱、粒子、電荷、資訊流與 entropy production 的多流物理帳本。 本文進一步處理一個更強但仍完全屬於現代生物物理與自適應動力系統範圍的命題： > interaction 不只改變載體現在的狀態，也可能改變載體未來如何對 interaction 作出反應。 本文把這種載體稱為**可塑性載體（plastic carrier）**。 最小的 fast–slow model 為： $$ \boxed{ \dot z = F ( z;\lambda,u ), } $$ $$ \boxed{ \dot\lambda = \varepsilon G ( z,\lambda,u ), \qquad 0<\varepsilon\ll1. } $$ 其中： - $z$：快速物理狀態； - $u$：外部或跨載體 interaction； - $\lambda$：耦合、閾值、興奮性、可塑權重或其他慢變 carrier parameter； - $\varepsilon$：時間尺度比。 因此： $$ \boxed{ u \rightarrow z \rightarrow \lambda \rightarrow F_{\lambda'} } $$ 形成一個比「輸入改變狀態」更強的物理閉環： $$ \boxed{ \text{interaction changes the law governing later interactions}. } $$ 本文首先以突觸可塑性作為最成熟生物物理例子。Bi–Poo 1998 與 Zhang–Tao–Holt–Harris–Poo 1998 的經典實驗顯示，pre- and postsynaptic spiking 的相對時間會系統性改變 synaptic efficacy；Sjöström–Turrigiano–Nelson 2001 又顯示 firing rate、timing 與 cooperativity 共同影響 cortical synaptic plasticity。本文因此使用一般 STDP-like kernel： $$ \boxed{ \Delta w_{ij} = \mathcal K ( \Delta t_{ij}, r_i, r_j, w_{ij}, \chi_{ij} ), } $$ 而不固定某一組刺激參數。 $\chi_{ij}$ 可以代表 cell type、receptor state、local biochemical context 或其他可塑性條件。這使 synaptic weight： $$ w_{ij} $$ 成為真正的 dynamical carrier variable，而不是固定 coupling constant。 其次，本文引入 homeostatic plasticity。Turrigiano 等 1998 顯示神經元能在長時間活動改變下對 quantal amplitudes 做 activity-dependent scaling；Desai、Rutherford、Turrigiano 1999 顯示 intrinsic excitability 也可發生長期補償性調整。2023–2024 的研究則進一步觀察到快速補償性網路塑性、老化中的 homeostatic control 失調，以及大尺度神經擾動後由 homeostatic mechanisms 支援的功能恢復。這些結果共同支持： $$ \boxed{ \text{plasticity} \neq \text{pure positive feedback}. } $$ 神經載體同時具有： - Hebbian / associative modification； - homeostatic stabilization； - inhibitory plasticity； - intrinsic excitability plasticity； - glial / extracellular modulation。 因此本文用一般雙通道形式： $$ \boxed{ \dot\lambda = \varepsilon_H G_H ( z,\lambda ) + \varepsilon_A G_A ( z,\lambda,u ), } $$ 其中 $G_H$ 為 homeostatic component， $G_A$ 為 associative / activity-dependent component。 本文第一個核心定理是**可塑隱狀態非 Markov 定理**。令 full carrier state： $$ q = (z,\lambda). $$ 如果存在兩個 full states： $$ (z,\lambda_1), \qquad (z,\lambda_2), $$ 具有相同可見 fast state $z$，但在相同未來輸入 $u$ 下： $$ F(z;\lambda_1,u) \neq F(z;\lambda_2,u), $$ 則不存在僅依賴當前 $z$ 的 deterministic closed dynamics： $$ \dot z = \widetilde F(z,u) $$ 能同時正確描述兩種 histories。這是 GPC-CS Paper 06 hidden-history theorem 在 physical plastic carrier 上的直接實現。 其次，本文定義**耦合可塑性記憶（coupling memory）**。若： $$ \lambda(t) = \lambda(0) + \varepsilon \int_0^t G ( z(s),\lambda(s),u(s) ) ds, $$ 則不同 interaction histories 即使最終產生相同 fast state： $$ z_T, $$ 仍可留下不同： $$ \lambda_T. $$ 因此： $$ \boxed{ \text{same present activity} \not\Rightarrow \text{same future response law}. } $$ 這是「歷史留下在 carrier 裡」的生物物理版。 第三，本文進一步處理 metaplasticity。Abraham–Bear 1996 將 metaplasticity 定義為「plasticity of synaptic plasticity」：先前活動未必直接改變當下 synaptic efficacy，卻改變後續 LTP / LTD 的誘發條件。BCM theory 早在 1982 年便引入 activity-dependent modification threshold，提供一種 sliding threshold / metaplasticity 的理論原型。 本文因此將 plastic carrier 擴張為： $$ \boxed{ q = ( z,\lambda,\mu ), } $$ 其中： - $\lambda$：目前 coupling / efficacy state； - $\mu$：plasticity-rule state。 演化寫成： $$ \boxed{ \dot z = F(z;\lambda,u), } $$ $$ \boxed{ \dot\lambda = \varepsilon_\lambda G ( z,\lambda,u;\mu ), } $$ $$ \boxed{ \dot\mu = \varepsilon_\mu M ( z,\lambda,\mu,u ), \qquad \varepsilon_\mu \ll \varepsilon_\lambda. } $$ 因此： $$ \mu $$ 不是普通 state response，而是決定： $$ \lambda $$ 未來如何更新的更慢變載體狀態。 本文證明 **metaplastic closure theorem**：如果兩個 full states 具有相同 $(z,\lambda)$，但不同 $\mu$ 在相同未來輸入下造成不同： $$ G(z,\lambda,u;\mu), $$ 則不存在只依賴 $(z,\lambda,u)$ 的 exact plasticity law： $$ \dot\lambda = \widetilde G(z,\lambda,u). $$ 也就是： $$ \boxed{ \text{same coupling strength} \not\Rightarrow \text{same plasticity propensity}. } $$ 第四，本文把可塑神經載體與 adaptive oscillator network 接起來。Aoki–Aoyagi 2009 的 phase-oscillator model 直接研究 phase 與 connection strengths 的 co-evolution，顯示 link weights 與 oscillator states 相互改變可產生 coherent、clustered 與 chaotic network states。這提供 PCPRT 的數學物理接口： $$ \boxed{ \dot\theta_i = \omega_i + \sum_j w_{ij} H_{ij} ( \theta_j-\theta_i ), } $$ $$ \boxed{ \dot w_{ij} = \varepsilon P_{ij} ( \theta_i,\theta_j,w_{ij} ). } $$ 本文將此稱為： $$ \boxed{ \text{state–coupling coevolution}. } $$ 它是 GPC-CS Paper 09「state–operator coevolution」在 physical adaptive-network 層的具體實現。 第五，本文建立**動態拓撲**概念。若 effective edge 存在與否由： $$ A_{ij}(t) = \mathbf 1 [ w_{ij}(t)>\vartheta_{ij} ] $$ 或其他 function of coupling state 決定，則 plasticity 不只改變 coupling strength，也可能改變 effective network topology： $$ \boxed{ \mathcal G(t) = \mathcal G ( W(t) ). } $$ 因此「網路」本身也是 dynamical carrier state 的一部分，而不只是固定背景。 第六，本文明確區分四種載體改變： $$ \boxed{ \text{state plasticity} } $$ $$ \boxed{ \text{coupling plasticity} } $$ $$ \boxed{ \text{intrinsic plasticity} } $$ $$ \boxed{ \text{metaplasticity}. } $$ 它們分別改變： - 當前 dynamical state； - 節點間作用強度； - 節點自身 response law； - plasticity rule 自身。 這個分層使「載體會被交流改變」不再是一句模糊總結。 最後，本文提出**plasticity safety 的動力學定義**。可塑性本身不是 damage。學習、發展、補償與恢復都依賴 plasticity。真正安全問題是： $$ \boxed{ \lambda(t), \mu(t) \text{ 是否保持在允許的 adaptive repertoire？} } $$ 因此定義： $$ \boxed{ \mathcal R_{\mathrm{plastic}} \subseteq \mathcal Z \times \Lambda \times \mathcal M } $$ 為 admissible plasticity regime。偏離 baseline 並不自動 unsafe；只有離開可接受 dynamical repertoire，或進入無法維持 function / homeostasis 的 regime，才形成 plasticity-level safety violation。 本文不提供任何用於操控突觸、塑造記憶、改變人格、優化刺激時間窗、誘發 LTP / LTD 或操控神經網路的實作參數與流程。所有 STDP、homeostatic plasticity 與 metaplasticity 僅作為生物物理與數學結構的抽象案例。 **關鍵詞：** 可塑性載體、STDP、synaptic plasticity、homeostatic plasticity、metaplasticity、BCM、adaptive coupling、state–coupling coevolution、intrinsic plasticity、神經動力學 --- # 0. 文獻定位 可塑性不是一個單一機制。 現代神經科學至少區分： - Hebbian / associative plasticity； - spike-timing-dependent plasticity； - homeostatic synaptic scaling； - inhibitory plasticity； - intrinsic excitability plasticity； - metaplasticity； - structural plasticity。 PCPRT 不試圖把它們壓成同一生物化學機制。 本文要抽取的是共同 dynamical structure： $$ \boxed{ \text{interaction history} \rightarrow \text{carrier parameter update}. } $$ --- # 1. Fast State 與 Slow Carrier Parameters 令： $$ z \in \mathcal Z $$ 為 fast physical state。 令： $$ \lambda \in \Lambda $$ 為慢變 carrier parameters。 最小模型： $$ \boxed{ \dot z = F ( z;\lambda,u ), } $$ $$ \boxed{ \dot\lambda = \varepsilon G ( z,\lambda,u ), } $$ 其中： $$ 0<\varepsilon\ll1. $$ --- # 2. 什麼可以是 $\lambda$ $\lambda$ 可以代表： - synaptic efficacy； - receptor abundance； - ion-channel density； - intrinsic excitability； - coupling strength； - threshold； - gain； - local biochemical state； - adaptation parameter； - connectivity weight。 因此： $$ \boxed{ \lambda \neq \text{單一神經突觸權重的同義詞}. } $$ 它是 carrier-law parameter 的總稱。 --- # 3. State Change 與 Law Change 如果 interaction 只造成： $$ z \rightarrow z', $$ 但： $$ \lambda'=\lambda, $$ 則 carrier law 不變。 若： $$ \lambda' \neq \lambda, $$ 則未來： $$ F(z;\lambda',u) $$ 與原本 response law 不同。 因此： $$ \boxed{ \text{state change} \neq \text{law change}. } $$ --- # 4. Carrier Plasticity 本文定義： > 如果 interaction history 可以使 carrier parameter $\lambda$ 持續改變，則 carrier 具有 plasticity。 即存在： $$ G \not\equiv 0. $$ 而： $$ \lambda(t) $$ 在 relevant timescale 上保留 history dependence。 --- # 5. Plasticity 是慢變動力學 離散版本： $$ \boxed{ z_{t+1} = F ( z_t;\lambda_t,u_t ), } $$ $$ \boxed{ \lambda_{t+1} = \lambda_t + \varepsilon G ( z_t,\lambda_t,u_t ). } $$ 因此 carrier state 應擴張： $$ \boxed{ q_t = ( z_t,\lambda_t ). } $$ --- # 6. $z$ Alone 一般不再是 Markov State 如果： $$ \lambda_t $$ 包含 past interaction 的痕跡， 相同： $$ z_t $$ 可以對應不同： $$ \lambda_t. $$ 下一步： $$ z_{t+1} $$ 便可能不同。 --- # 7. Plastic Hidden-State Non-Markov Theorem ## 定理 7.1 假設存在： $$ z, \lambda_1, \lambda_2, u $$ 使： $$ \lambda_1\neq\lambda_2 $$ 且： $$ F ( z;\lambda_1,u ) \neq F ( z;\lambda_2,u ). $$ 則不存在 deterministic： $$ \widetilde F ( z,u ) $$ 能對兩個 full states： $$ (z,\lambda_1), \qquad (z,\lambda_2) $$ 同時正確描述下一步 fast dynamics。 ### 證明 假設： $$ \widetilde F(z,u) $$ 存在。 因兩個 full states 具有相同： $$ (z,u), $$ 它必須給相同 output。 但真實 dynamics 分別是： $$ F(z;\lambda_1,u) $$ 與： $$ F(z;\lambda_2,u), $$ 兩者不同。 矛盾。 證畢。 --- # 8. Plasticity 是 Hidden History 的物理實現 GPC-CS Paper 06 曾抽象寫： $$ x_t \text{ 相同，但 hidden history 不同} \Rightarrow x_{t+1} \text{ 可不同}. $$ PCPRT 現在有具體物理版本： $$ \boxed{ \text{hidden history} = \lambda_t. } $$ --- # 9. Coupling Memory 由： $$ \dot\lambda = \varepsilon G ( z,\lambda,u ) $$ 積分： $$ \boxed{ \lambda(t) = \lambda(0) + \varepsilon \int_0^t G ( z(s),\lambda(s),u(s) ) ds. } $$ 因此： $$ \lambda(t) $$ 是 interaction history 的 physical memory variable。 --- # 10. 同樣當下狀態，不同未來 兩條 histories： $$ h_1, h_2 $$ 可以產生： $$ z_T^{(1)} = z_T^{(2)}, $$ 但： $$ \lambda_T^{(1)} \neq \lambda_T^{(2)}. $$ 因此對相同未來輸入： $$ u_{T+}, $$ 有可能： $$ \boxed{ \dot z^{(1)} \neq \dot z^{(2)}. } $$ 這就是 path dependence 的 carrier-parameter 來源。 --- # 11. STDP 作為 Timing-Dependent Coupling Update 對 synapse： $$ j \rightarrow i, $$ 令： $$ w_{ij} $$ 為 coupling efficacy。 最一般地： $$ \boxed{ \Delta w_{ij} = \mathcal K ( \Delta t_{ij}, r_i, r_j, w_{ij}, \chi_{ij} ). } $$ 其中： $$ \Delta t_{ij} = t_{\mathrm{post}} - t_{\mathrm{pre}}. $$ --- # 12. Timing Window 的實驗根據 1998 的 retinotectal 與 cultured hippocampal experiments 顯示： > pre/post spike temporal order 與相對 timing 會系統性決定 potentiation / depression 的方向與幅度。 因此： $$ \boxed{ \text{coupling update} = \text{timing-dependent physical process}. } $$ --- # 13. STDP 不只看 Timing Bi–Poo 1998 同時發現 modification 依賴： - initial synaptic strength； - postsynaptic cell type； - receptor / channel conditions。 Sjöström 等 2001 更顯示： - firing rate； - spike timing； - cooperativity； 共同決定 cortical plasticity。 因此： $$ \boxed{ \Delta w = \mathcal K(\Delta t) } $$ 只是簡化模型。 --- # 14. Phenomenological Timing Kernel 為了抽象討論，可用： $$ \boxed{ \Delta w = K_{\mathrm{STDP}} ( \Delta t ). } $$ 例如典型 asymmetric kernel： $$ K_{\mathrm{STDP}}(\Delta t) > 0 $$ 在一部分 causal-order window， 而： $$ K_{\mathrm{STDP}}(\Delta t) < 0 $$ 在反向順序 window。 本文不指定任何可操作 timing parameters。 --- # 15. Phase 与 Spike Timing 的橋 對 rhythmic neuron / oscillator： $$ t_i^{(n)} $$ 可由 phase crossing 定義。 因此： $$ \Delta t_{ij} $$ 可在某些 oscillatory regime 近似轉成： $$ \Delta\theta_{ij}. $$ 於是： $$ \boxed{ \dot w_{ij} = \varepsilon P ( \Delta\theta_{ij}, w_{ij} ) } $$ 是 phase-oscillator plasticity 的自然 reduction。 --- # 16. Adaptive Phase-Oscillator Network 令： $$ \boxed{ \dot\theta_i = \omega_i + \sum_j w_{ij} H_{ij} ( \theta_j-\theta_i ), } $$ 以及： $$ \boxed{ \dot w_{ij} = \varepsilon P_{ij} ( \theta_i,\theta_j,w_{ij} ). } $$ phase states 改變 weights； weights 又改變 phase dynamics。 --- # 17. State–Coupling Coevolution 本文定義： $$ \boxed{ \text{state–coupling coevolution} } $$ 為： $$ \boxed{ \dot z = F(z,W), } $$ $$ \boxed{ \dot W = \varepsilon P(z,W). } $$ Aoki–Aoyagi 2009 正式研究此類 phase / connection-strength coevolution。 --- # 18. 固定網路變成 Dynamical Network 若： $$ W = [w_{ij}] $$ 隨時間變， 則 network interaction law： $$ F(z,W_t) $$ 也隨時間變。 因此： $$ \boxed{ \text{network} } $$ 不再只是背景結構。 它成為： $$ \boxed{ \text{state variable}. } $$ --- # 19. Effective Topology 定義： $$ \boxed{ A_{ij}(t) = \mathbf1 [ \chi(w_{ij}(t))>0 ] } $$ 或： $$ A_{ij} = f_{\mathrm{edge}} ( w_{ij} ). $$ 則： $$ \boxed{ \mathcal G(t) = (V,E(t)) } $$ 可以因 plasticity 改變。 --- # 20. Weight Plasticity 不等於 Structural Plasticity 如果： $$ w_{ij} $$ 改變但 edge 保留， 是 coupling-strength plasticity。 如果： $$ A_{ij} $$ 改變， 才是 effective structural / topological plasticity。 因此： $$ \boxed{ \text{weight change} \neq \text{topology change}. } $$ --- # 21. Hebbian Positive Feedback 若： $$ w_{ij} $$ 隨 correlated activity 增加， 增加後又提高未來 correlated activity， 可能形成： $$ \boxed{ \text{activity} \rightarrow w \rightarrow \text{more activity} } $$ 的 positive feedback。 這是 Hebbian plasticity 的潛在不穩定性來源之一。 --- # 22. Plasticity 需要 Stabilization 單純 runaway potentiation 並不是健康 neural learning 的完整圖景。 神經系統同時具有多種 stabilizing processes。 其中最重要的是： $$ \boxed{ \text{homeostatic plasticity}. } $$ --- # 23. Synaptic Scaling Turrigiano 等 1998 的經典實驗顯示： 在長時間抑制或提升 network activity 後， neurons 會調整 miniature synaptic amplitudes， 以補償 global activity change。 抽象成： $$ \boxed{ \dot w_{ij} = \varepsilon_H H_i ( r_i-r_i^\star ) w_{ij}. } $$ 這只是一個 schematic homeostatic model。 --- # 24. Homeostatic Set Point 令： $$ r_i^\star $$ 為 activity target / reference。 homeostatic error： $$ \boxed{ e_i = r_i-r_i^\star. } $$ 一個簡單 negative-feedback rule： $$ \boxed{ \dot g_i = -\varepsilon_H e_i. } $$ 其中： $$ g_i $$ 可以是 excitability / gain parameter。 --- # 25. Intrinsic Plasticity Desai–Rutherford–Turrigiano 1999 顯示， 除了 synapses， neuron intrinsic excitability 本身也可因過去 activity 改變。 因此： $$ \boxed{ \lambda_i = ( W_i, g_i, \vartheta_i,\ldots ). } $$ carrier plasticity 不應只用： $$ W $$ 描述。 --- # 26. Homeostatic Plasticity 是 Carrier-Level Regulation 它不是單純： $$ w_{ij} \rightarrow w'_{ij}. $$ 還可能同時改： - excitation / inhibition balance； - intrinsic excitability； - receptor levels； - synapse number； - glial regulation； - extracellular environment。 因此： $$ \boxed{ \text{homeostasis} = \text{multi-parameter carrier regulation}. } $$ --- # 27. Rapid Compensatory Plasticity 2023 的 awake-monkey visual-cortex study 觀察到： 重複 co-activation 可在 minutes timescale 產生 population-wide interaction-strength reduction， 而 firing rates 可近似保持穩定。 這表示： $$ \boxed{ \text{stable node output} \not\Rightarrow \text{stable coupling matrix}. } $$ --- # 28. 這對 GPC 可觀測性很重要 只觀察： $$ r_i(t) $$ 可能看不到： $$ W(t) $$ 正在變化。 因此： $$ \boxed{ \text{behaviorally stable} \neq \text{carrier-law stable}. } $$ PCPRT 與 GPC-CS Paper 10 的 observability 問題在此直接相接。 --- # 29. Homeostatic Failure 2023 的 aging-related microcircuit study 顯示： 老化可伴隨 homeostatic synaptic weakening / inhibitory adaptation 的失調， 使 overstimulation 後 activity regulation 失敗。 因此： $$ \boxed{ \text{plasticity machinery} } $$ 本身也可以失效。 --- # 30. Plasticity Safety 不等於 Plasticity Suppression 如果完全禁止： $$ \dot\lambda, $$ 系統可能： - 無法學習； - 無法恢復； - 無法補償； - 無法適應環境。 所以： $$ \boxed{ \text{zero plasticity} \neq \text{maximum safety}. } $$ --- # 31. 2024 Functional Recovery Example 2024 songbird HVC study 顯示： 大尺度 neuronal perturbation 後， learned behavior 可在約兩週內恢復， 且模型與 electrophysiology 支持 cellular / population homeostatic plasticity 參與恢復。 PCPRT 的抽象意義是： $$ \boxed{ \text{plastic parameter change} } $$ 也可以是： $$ \boxed{ \text{recovery mechanism}. } $$ --- # 32. Plasticity 是雙刃物理機制 因此： $$ \boxed{ \text{plasticity} \not\Rightarrow \text{good} } $$ 也： $$ \boxed{ \text{plasticity} \not\Rightarrow \text{bad}. } $$ 它是 adaptive dynamics。 --- # 33. Homeostatic + Associative Plasticity 最小雙通道模型： $$ \boxed{ \dot\lambda = \varepsilon_A G_A ( z,\lambda,u ) + \varepsilon_H G_H ( z,\lambda ). } $$ 其中： - $G_A$：associative / learning； - $G_H$：stabilization / homeostatic。 --- # 34. 不同 Time Scales 可能： $$ \varepsilon_A \neq \varepsilon_H. $$ 某些 Hebbian plasticity 快， homeostatic compensation 慢。 也可以存在快速 inhibitory compensation。 因此： $$ \boxed{ \text{plasticity timescale} } $$ 本身是一個重要 carrier property。 --- # 35. Competing Plasticity Channels 如果： $$ G_A $$ 推： $$ \lambda $$ 往一個方向， $$ G_H $$ 推反方向， 則 equilibrium： $$ \lambda^\star $$ 由： $$ \boxed{ G_A + G_H = 0 } $$ 決定。 這可能形成穩定 adaptive regime。 --- # 36. Plasticity Equilibrium 不等於 No Learning 在 equilibrium 附近： $$ \lambda(t) $$ 可以持續小幅變動。 只要 average drift 近零。 因此： $$ \boxed{ \dot\lambda_{\mathrm{avg}}=0 } $$ 不表示每個 microscopic plastic event 都停止。 --- # 37. Plasticity Manifold 定義： $$ \boxed{ \mathcal M_{\mathrm{pl}} = \{ (z,\lambda): G(z,\lambda,u)=0 \} } $$ 作為固定 $u$ 下的 plasticity-null manifold。 它不一定等於 dynamical equilibrium： $$ F=0. $$ 因此： $$ \boxed{ \text{activity equilibrium} \neq \text{plasticity equilibrium}. } $$ --- # 38. Metaplasticity metaplasticity 的核心是： > past activity 改變後續 plasticity induction 的 propensity / threshold / rule。 因此除了： $$ \lambda, $$ 引入： $$ \boxed{ \mu \in \mathcal M. } $$ --- # 39. 三時間尺度 Carrier 完整最小模型： $$ \boxed{ \dot z = F ( z;\lambda,u ), } $$ $$ \boxed{ \dot\lambda = \varepsilon_\lambda G ( z,\lambda,u;\mu ), } $$ $$ \boxed{ \dot\mu = \varepsilon_\mu M ( z,\lambda,\mu,u ), } $$ 並通常： $$ \varepsilon_\mu \ll \varepsilon_\lambda \ll 1. $$ --- # 40. $\mu$ 的可能物理意義 $\mu$ 可以代表： - plasticity threshold； - receptor composition； - phosphorylation state； - signaling sensitivity； - sliding modification threshold； - plasticity-rule parameter； - chromatin / transcriptional permissiveness； - slower homeostatic set-point state。 本文不指定唯一 biological substrate。 --- # 41. BCM Sliding Threshold BCM theory 的核心結構之一是： $$ \boxed{ \text{modification threshold} = \theta_M ( \langle r_{\mathrm{post}}\rangle ). } $$ 也就是 plasticity sign / regime boundary 會隨長期 postsynaptic activity 改變。 這正是一個： $$ \boxed{ \mu = \theta_M } $$ 的理論原型。 --- # 42. Metaplastic Closure Theorem ## 定理 42.1 假設存在： $$ z, \lambda, \mu_1, \mu_2, u $$ 使： $$ \mu_1\neq\mu_2 $$ 且： $$ G ( z,\lambda,u;\mu_1 ) \neq G ( z,\lambda,u;\mu_2 ). $$ 則不存在 deterministic： $$ \widetilde G ( z,\lambda,u ) $$ 能同時正確描述兩個 full states： $$ (z,\lambda,\mu_1), \qquad (z,\lambda,\mu_2) $$ 的 plasticity dynamics。 ### 證明 若： $$ \widetilde G $$ 只依賴： $$ (z,\lambda,u), $$ 則兩個 full states 必獲得相同： $$ \dot\lambda. $$ 但真實： $$ G $$ 給出不同值。 矛盾。 證畢。 --- # 43. Metaplasticity 的核心結論 因此： $$ \boxed{ \text{same current synaptic strength} \not\Rightarrow \text{same future plasticity}. } $$ 這就是「carrier 不只記住了狀態，也記住了怎麼改變狀態」。 --- # 44. Rule Memory 一般 plasticity law： $$ \dot\lambda = G_\mu ( z,\lambda,u ). $$ 如果： $$ \mu $$ 含歷史， 那麼： $$ \boxed{ \text{memory is stored in the update rule itself}. } $$ 這比 ordinary state memory 更高一層。 --- # 45. GPC Operator 的物理化 GPC-CS Paper 04 有： $$ O_\alpha. $$ plastic carrier 對應： $$ \boxed{ O_{\lambda,\mu}. } $$ interaction 改變： $$ \lambda, \mu $$ 時， 等於： $$ \boxed{ O \rightarrow O'. } $$ --- # 46. Operator Plasticity 本文定義： $$ \boxed{ \text{operator plasticity} } $$ 為： $$ \boxed{ \frac{dO}{dt} \neq 0 } $$ 由 carrier parameters 的動力學造成。 這是 GPC「交流改寫未來算子」的物理實現。 --- # 47. Operator Plasticity 不需要玄學 只要： $$ O = O_{\lambda}, $$ 且： $$ \dot\lambda \neq0, $$ 就有： $$ \dot O = \frac{\partial O}{\partial\lambda} \dot\lambda. $$ 因此： $$ \boxed{ \text{operator changes itself} } $$ 其實只是普通 parameter dynamics。 --- # 48. Meta-Operator Plasticity 若： $$ O = O_{\lambda}, $$ 而： $$ \dot\lambda = G_\mu, $$ 且： $$ \dot\mu\neq0, $$ 則更新規則本身： $$ G $$ 也會變。 可以寫： $$ \boxed{ G \rightarrow G'. } $$ 這是 physical metaplasticity。 --- # 49. 多階 Plasticity 無需無限遞迴 可以形式上繼續： $$ \mu \rightarrow \nu \rightarrow \cdots $$ 但物理研究不應預設無限 hierarchy。 只保留對 observable dynamics 有必要的 slow variables。 因此： $$ \boxed{ \text{state augmentation stops when closure becomes adequate}. } $$ --- # 50. Adaptive Network Topology 如果： $$ W(t) $$ 決定 network topology： $$ \mathcal G(t), $$ 而 network activity 又決定： $$ \dot W, $$ 則： $$ \boxed{ z_t \rightarrow W_t \rightarrow \mathcal G_t \rightarrow z_{t+1}. } $$ 這是一個 closed adaptive network loop。 --- # 51. Coevolving Network Dynamics 一般寫： $$ \boxed{ \dot z = F ( z,\mathcal G(W) ), } $$ $$ \boxed{ \dot W = P ( z,W ). } $$ state 與 topology 共演化。 --- # 52. Aoki–Aoyagi 2009 的位置 Aoki–Aoyagi phase-oscillator model 直接展示： - oscillator phases； - connection strengths； 的 co-evolution 可以自發產生： - coherent； - cluster； - frustrated chaotic； collective states。 因此： $$ \boxed{ \text{plastic coupling changes the space of attractors}. } $$ --- # 53. Plasticity 可以創造新 Dynamical Regimes 固定： $$ W_0 $$ 可能只有某 attractor。 隨： $$ W(t) $$ 改變， system vector field： $$ F(z,W(t)) $$ 本身改變。 因此可以： - create attractor； - destroy attractor； - change basin； - induce synchronization； - desynchronize； - create cluster state。 這將在 PCPRT bifurcation paper 深入處理。 --- # 54. Plasticity 不是單純輸出後處理 如果： $$ W $$ 只在 trial 後更新， 也仍會改變下一 trial dynamics。 因此即使 plasticity 很慢， 它仍然是： $$ \boxed{ \text{carrier dynamics} } $$ 的一部分。 --- # 55. Plasticity Cost Paper 03 已指出任何 physical parameter update 都由 real physical processes 實現。 因此： $$ \dot\lambda, \dot\mu $$ 可能伴隨： - receptor trafficking； - protein synthesis； - ion flux； - phosphorylation； - cytoskeletal change； - gene expression； - metabolic expenditure。 所以： $$ \boxed{ \text{plasticity is physically instantiated and not cost-free}. } $$ --- # 56. 不存在單一 Plasticity Cost 不同 mechanisms 的： $$ E_{\mathrm{plastic}} $$ 可以非常不同。 因此： $$ \boxed{ E_{\mathrm{plastic}} = E ( \text{mechanism}, \Delta\lambda, \tau,\text{precision}, \ldots ). } $$ 不是 universal constant。 --- # 57. Learning Rate 也是 Physical Parameter 在 machine learning 中： $$ \eta $$ 常只是 algorithmic hyperparameter。 在 biological carrier 中， effective learning rate 可能由： - receptor kinetics； - neuromodulation； - enzyme concentration； - activity level； - transcription； 實現。 因此： $$ \boxed{ \text{learning-rate state} } $$ 本身可能可塑。 --- # 58. Neuromodulation 的位置 dopamine、acetylcholine 等 neuromodulatory systems 可改變： - synaptic plasticity rule； - gain； - excitability； - learning eligibility。 PCPRT 可將其抽象成： $$ \mu. $$ 但本文不提供任何 neuromodulatory intervention 方法。 --- # 59. Astrocytes 與 Extracellular Matrix 2024 的研究顯示 astrocytes 與 perineuronal nets 參與 synaptic homeostasis。 因此 neural carrier 的 plastic parameter 不能只放在 neuron 內部。 更完整： $$ \boxed{ \lambda = ( \lambda_{\mathrm{neuronal}}, \lambda_{\mathrm{synaptic}}, \lambda_{\mathrm{glial}}, \lambda_{\mathrm{ECM}} ). } $$ --- # 60. Carrier Boundary 需要擴張 如果 glial / extracellular states 顯著影響 future synaptic response， 把 carrier 定義成單一 neuron 可能不閉合。 因此 PCPRT Paper 01 的 fiber defect 會迫使： $$ \boxed{ \text{carrier boundary} } $$ 向外擴張。 --- # 61. Plastic Carrier 是 Multi-Component System 更物理的 neural carrier： $$ \boxed{ q = ( z_{\mathrm{neuron}}, W, g, \lambda_{\mathrm{glia}}, \lambda_{\mathrm{ECM}}, \mu ). } $$ 這不是要把所有細節永久保留。 而是說： > 哪些 variable 需要保留，應由 closure defect 判定。 --- # 62. Plasticity 與 Observability 外部如果只觀察 spike output： $$ H(z) $$ 可能無法辨認： $$ W,\mu. $$ 因此相同 spike statistics： $$ y_t $$ 下， 內部 plasticity state 可以不同。 --- # 63. Plasticity Ambiguity Fiber 定義 observation： $$ H: (z,\lambda,\mu) \rightarrow y. $$ 若： $$ H(q_1)=H(q_2) $$ 但： $$ \lambda_1\neq\lambda_2 $$ 或： $$ \mu_1\neq\mu_2, $$ 則 output-only observer 看不到 carrier-law difference。 --- # 64. Functional Stability Can Hide Plastic Drift 2023 rapid compensatory-plasticity work 提供一個直接實例： observable firing rate 近似穩定， 但 interaction correlation / effective coupling 持續調整。 所以： $$ \boxed{ \text{output stability} \not\Rightarrow \text{parameter stability}. } $$ --- # 65. Plasticity Margin 若 carrier 有允許參數域： $$ \Lambda_{\mathrm{adm}}, $$ 定義： $$ \boxed{ \mu_\lambda(\lambda) = \operatorname{dist} ( \lambda, \Lambda\setminus \Lambda_{\mathrm{adm}} ). } $$ 這是 parameter-level safety margin。 --- # 66. Plasticity Regime 定義： $$ \boxed{ \mathcal R_{\mathrm{plastic}} \subseteq \mathcal Z \times \Lambda \times \mathcal M. } $$ 它包含： - admissible fast states； - admissible coupling； - admissible plasticity-rule states。 安全不是： $$ \lambda=\lambda_0. $$ 而是： $$ \boxed{ q(t) \in \mathcal R_{\mathrm{plastic}}. } $$ --- # 67. Learning 可以離開 Baseline 而保持安全 正常學習本來就要求： $$ \lambda_t\neq\lambda_0. $$ 因此： $$ \boxed{ \Delta\lambda\neq0 \not\Rightarrow \text{damage}. } $$ --- # 68. Homeostatic Corridor 如果 observable activity： $$ r $$ 被要求維持： $$ r_{\min} \le r \le r_{\max}, $$ homeostatic plasticity 可以讓： $$ \lambda $$ 改變以維持： $$ r. $$ 所以 parameter drift 有時是： $$ \boxed{ \text{safety-preserving adaptation}. } $$ --- # 69. Parameter Safety 與 Output Safety 可衝突 有時： $$ r $$ 仍在安全 range， 但： $$ \lambda $$ 已靠近極端。 這可能表示： > system 正靠強補償維持 output。 因此： $$ \boxed{ \text{safe output} \neq \text{large internal safety margin}. } $$ --- # 70. Compensation Reserve 定義可用 parameter reserve： $$ \boxed{ R_{\mathrm{comp}} = \operatorname{dist} ( \lambda, \partial\Lambda_{\mathrm{adm}} ). } $$ 如果： $$ R_{\mathrm{comp}} $$ 很小， 即使當前 output 正常， 未來 disturbance tolerance 也可能下降。 --- # 71. Homeostatic Exhaustion 若持續 external demand 需要： $$ \lambda $$ 一路推到 boundary， 最終可能失去更多 compensation ability。 抽象地： $$ \boxed{ \lambda_t \rightarrow \partial\Lambda_{\mathrm{adm}}. } $$ 這比單看 output 更早顯示 carrier stress。 --- # 72. Metaplasticity Safety 同樣需要： $$ \mu \in \mathcal M_{\mathrm{adm}}. $$ 因為： $$ \mu $$ 控制 future plasticity. 如果： $$ \mu $$ 大幅漂移， 當前： $$ W $$ 甚至可以完全正常， 但未來 learning response 已不同。 --- # 73. Latent Plasticity Risk 因此： $$ \boxed{ \text{current state normal} + \text{current coupling normal} } $$ 仍不能推出： $$ \boxed{ \text{future plasticity response normal}. } $$ 需要觀察： $$ \mu. $$ --- # 74. Plasticity Response Function 定義： $$ \boxed{ \mathcal P_q[u] = G ( z,\lambda,u;\mu ). } $$ 它表示 carrier 在當前 full state： $$ q $$ 下對 interaction $u$ 的 parameter-update response。 --- # 75. Plasticity-Rule Distance 對兩個 carrier states： $$ q_1,q_2, $$ 可定義： $$ \boxed{ d_P(q_1,q_2) = \sup_{u\in\mathcal U} \| \mathcal P_{q_1}[u] - \mathcal P_{q_2}[u] \|. } $$ 如果： $$ d_P>0, $$ 兩載體雖然當前 coupling 相同， future learning law 仍不同。 --- # 76. Plasticity Identity 本文不把： $$ d_P=0 $$ 稱為 personal identity。 它只表示： > 在指定 input family 下，plastic response law 等價。 這只是功能 equivalence。 --- # 77. Plasticity 與 Memory Formation 任何長期 memory 都至少需要： $$ \boxed{ \text{some persistent physical state variable}. } $$ 可能是： - synaptic efficacy； - structural change； - transcription； - intracellular molecular state； - distributed network configuration。 因此： $$ \boxed{ \text{memory} \rightarrow \text{persistent carrier deformation} } $$ 在某種尺度上通常成立。 --- # 78. 但 Memory 不等於 Synaptic Weight memory 可以分散在： - synaptic； - intrinsic； - network； - glial； - structural； - biochemical； 多個層。 所以： $$ \boxed{ \text{memory} \neq W } $$ 普遍等式。 --- # 79. Plasticity 與 GPC Transduction 跨載體 interaction： $$ A \rightarrow B $$ 不只可能產生： $$ z_B', $$ 還可能： $$ \lambda_B', \mu_B'. $$ 因此 physical transduction： $$ \boxed{ (z_B,\lambda_B,\mu_B) \rightarrow (z_B',\lambda_B',\mu_B'). } $$ --- # 80. Immediate vs Persistent Transduction 定義： ### Immediate transduction $$ \Delta z \neq0, \qquad \Delta\lambda\approx0. $$ ### Persistent transduction $$ \Delta\lambda \neq0. $$ ### Metaplastic transduction $$ \Delta\mu \neq0. $$ 三者的時間尺度與風險完全不同。 --- # 81. Phase-Dependent Plasticity 如果： $$ G = G ( \theta,\Delta\theta,\lambda,\mu ), $$ 則 phase 不只控制 instantaneous response， 也控制 parameter update。 因此： $$ \boxed{ \text{phase} \rightarrow \text{plasticity gate}. } $$ 這會在後續 neural phase / cognitive routing paper 深入討論。 --- # 82. Plasticity-Induced Phase Change 反過來： $$ \lambda $$ 改變： - natural frequency； - coupling； - PRC； - isochrons； 則 plasticity 也改變 future phase dynamics。 因此： $$ \boxed{ \theta \rightarrow \lambda \rightarrow \Theta_\lambda. } $$ 這是一個 phase–plasticity feedback loop。 --- # 83. Adaptive Carrier Loop 整體可以壓成： $$ \boxed{ u_t \rightarrow z_t \rightarrow \lambda_t \rightarrow \mu_t \rightarrow F_{t+1},G_{t+1}. } $$ interaction 改變： - current state； - future response； - future learning rule。 --- # 84. 這就是 Carrier Memory 的多階版本 第一階 memory： $$ z. $$ 第二階 memory： $$ \lambda. $$ 第三階 memory： $$ \mu. $$ 但它們都是 ordinary physical state variables at different time scales。 不需要引入非物理 memory entity。 --- # 85. Multi-Timescale Closure 真正 effective model 應尋找最小： $$ \boxed{ q = ( z,\lambda,\mu,\ldots ) } $$ 使未來 dynamics 在研究時間尺度上近似 Markov。 這直接繼承 PCPRT Paper 01 的 closure principle。 --- # 86. 可證偽性 ## 86.1 Plasticity variable 不改善預測 若加入： $$ \lambda $$ 後對 future response 預測沒有改善， 則該 variable 不應被保留。 ## 86.2 Same state implies same future response 若實驗顯示： $$ z $$ 已足以完全預測 future dynamics， plastic hidden-state layer 可移除。 ## 86.3 Metaplasticity 無可測效應 若： $$ \mu $$ 在 relevant timescale 對： $$ \dot\lambda $$ 沒有影響， metaplastic layer 不需要。 ## 86.4 Homeostatic channel 不存在 若某 carrier class 只有 Hebbian-like plasticity， 本文雙通道 model 應縮減。 --- # 87. 本文的九個主命題 ## 命題 A：可塑載體需要 fast state + slow parameter state $$ \boxed{ q=(z,\lambda). } $$ ## 命題 B：相同 fast state 不保證相同 future dynamics 若 carrier parameters 不同。 由定理 7.1。 ## 命題 C：STDP 是 timing-dependent coupling plasticity 的成熟生物物理實例 其規則依賴 timing 以外的 context。 ## 命題 D：Homeostatic plasticity 提供與 associative plasticity 不同的穩定化通道 因此 plasticity 不是單純 runaway Hebbian feedback。 ## 命題 E：Metaplasticity 要求將 plasticity-rule state 加入 carrier $$ \boxed{ q=(z,\lambda,\mu). } $$ ## 命題 F：相同 coupling strength 不保證相同 plasticity propensity 由定理 42.1。 ## 命題 G：Adaptive coupling 使 network topology / operator 成為動態變數 $$ \boxed{ \dot W=P(z,W). } $$ ## 命題 H：Plasticity 可以是 learning、recovery、homeostasis，也可以成為失穩來源 故不能被道德化為好或壞。 ## 命題 I：真正的 plastic safety 是維持於 admissible adaptive repertoire 不是維持所有參數不變。 --- # 88. 下一篇 PCPRT Paper 05 將研究： $$ \boxed{ \text{Metastability、Bifurcation 與安全動力學體制}. } $$ 核心問題： 1. 可塑性與耦合參數如何改變 attractor landscape； 2. phase slip、basin crossing、bifurcation 三者如何區分； 3. 「正常活動」為什麼應定義成 dynamical repertoire 而不是固定點； 4. metastable states 如何形成 biological computation / cognition 的候選物理層； 5. critical slowing down / early-warning 指標是否能接入 carrier safety。 下一篇開始前將重新搜尋最新一手文獻。 --- # 89. 結論 PCPRT Paper 02 把交流分成： $$ \text{phase shift} \rightarrow \text{phase-amplitude change} \rightarrow \text{carrier deformation}. $$ 本文現在把 deformation 進一步拆成真正可塑的物理層： $$ \boxed{ z \rightarrow \lambda \rightarrow \mu. } $$ 其中： $$ z $$ 描述當前 physical dynamics， $$ \lambda $$ 描述未來 response law， $$ \mu $$ 描述未來 plasticity law。 這使： $$ \boxed{ \text{interaction changes the carrier} } $$ 不再只表示： $$ x\rightarrow x'. $$ 而可以精確寫成： $$ \boxed{ (z,\lambda,\mu) \rightarrow (z',\lambda',\mu'). } $$ STDP 提供了： $$ \text{activity timing} \rightarrow \text{coupling update} $$ 的成熟生物物理實例。 homeostatic plasticity 則顯示： $$ \text{activity deviation} \rightarrow \text{compensatory parameter update}. $$ metaplasticity 再往上一層： $$ \text{past activity} \rightarrow \text{change in future plasticity propensity}. $$ adaptive oscillator networks 則證明這個結構在數學物理上可以寫成： $$ \boxed{ \dot\theta = F(\theta,W), \qquad \dot W = P(\theta,W). } $$ 因此 PCPRT 現在第一次真正建立了一個物理版本的： $$ \boxed{ \text{state–operator coevolution}. } $$ 最重要的是， 這不代表任何改變都是危險。 真正生物系統若沒有 plasticity， 反而不可能正常學習、恢復與 homeostasis。 因此本文的最終安全立場是： $$ \boxed{ \text{plastic safety} = \text{remaining inside an admissible adaptive repertoire}. } $$ 而不是： $$ \boxed{ \text{no parameter ever changes}. } $$ 下一步因此非常自然： > 當 $\lambda$ 、 $\mu$ 真的改變時，整個 attractor landscape 會怎樣變？ 這就是 metastability、bifurcation 與 dynamical-regime safety。 --- # 參考文獻 1. Bienenstock, E. L., Cooper, L. N., & Munro, P. W. (1982). Theory for the development of neuron selectivity: orientation specificity and binocular interaction in visual cortex. *Journal of Neuroscience*, 2(1), 32–48. DOI: 10.1523/JNEUROSCI.02-01-00032.1982. 2. Abraham, W. C., & Bear, M. F. (1996). Metaplasticity: the plasticity of synaptic plasticity. *Trends in Neurosciences*, 19(4), 126–130. DOI: 10.1016/S0166-2236(96)80018-X. 3. Zhang, L. I., Tao, H. W., Holt, C. E., Harris, W. A., & Poo, M.-M. (1998). A critical window for cooperation and competition among developing retinotectal synapses. *Nature*, 395, 37–44. DOI: 10.1038/25665. 4. Bi, G.-Q., & Poo, M.-M. (1998). Synaptic modifications in cultured hippocampal neurons: dependence on spike timing, synaptic strength, and postsynaptic cell type. *Journal of Neuroscience*, 18(24), 10464–10472. DOI: 10.1523/JNEUROSCI.18-24-10464.1998. 5. Turrigiano, G. G., Leslie, K. R., Desai, N. S., Rutherford, L. C., & Nelson, S. B. (1998). Activity-dependent scaling of quantal amplitude in neocortical neurons. *Nature*, 391, 892–896. DOI: 10.1038/36103. 6. Desai, N. S., Rutherford, L. C., & Turrigiano, G. G. (1999). Plasticity in the intrinsic excitability of cortical pyramidal neurons. *Nature Neuroscience*, 2, 515–520. DOI: 10.1038/9165. 7. Sjöström, P. J., Turrigiano, G. G., & Nelson, S. B. (2001). Rate, timing, and cooperativity jointly determine cortical synaptic plasticity. *Neuron*, 32(6), 1149–1164. DOI: 10.1016/S0896-6273(01)00542-6. 8. Aoki, T., & Aoyagi, T. (2009). Co-evolution of Phases and Connection Strengths in a Network of Phase Oscillators. *Physical Review Letters*, 102, 034101. DOI: 10.1103/PhysRevLett.102.034101. 9. Aoki, T., & Aoyagi, T. (2011). Self-organized network of phase oscillators coupled by activity-dependent interactions. *Physical Review E*, 84, 066109. DOI: 10.1103/PhysRevE.84.066109. 10. Agnes, E. J., & Vogels, T. P. (2024). Co-dependent excitatory and inhibitory plasticity accounts for quick, stable and long-lasting memories in biological networks. *Nature Neuroscience*, 27, 964–974. 11. [Rapid compensatory plasticity study] (2023). Rapid compensatory plasticity revealed by dynamic correlated activity in monkeys in vivo. *Nature Neuroscience*. 12. [Homeostatic recovery study] (2024). Unsupervised restoration of a complex learned behavior after large-scale neuronal perturbation. *Nature Neuroscience*, 27, 1176–1186. 13. Tewari, B. P., et al. (2024). Astrocytes require perineuronal nets to maintain synaptic homeostasis in mice. *Nature Neuroscience*, 27, 1475–1488. 14. Lee, J., et al. (2024). Intrinsic plasticity of Purkinje cell serves homeostatic regulation of fear memory. *Molecular Psychiatry*, 29, 247–256. DOI: 10.1038/s41380-023-02320-8. --- # 系列狀態 **Series:** Phase-Carrier Physical Realization Theory **Paper:** 04 **Version:** v1.0 **Canonical source encoding:** UTF-8 **Canonical mathematics delimiters:** ` $...$ ` and `$$...$$` only **Operational neural-modification details:** Excluded **Depends on:** PCPRT Papers 01–03; GPC-CS Papers 04, 06, 09, 10 **Next:** Paper 05 — Metastability、Bifurcation 與安全動力學體制