SOMA：基于Vision Transformer与JEPA的类器官神经网络状态自监督发现

SOMA是NinjaFury开发的开源自监督学习框架，结合Vision Transformer、JEPA联合嵌入预测架构和Barlow Twins损失，从类器官多电极阵列（MEA）脉冲数据中自动发现离散神经网络状态，无需人工标注；还引入Vedanā Gate模块提升可解释性，为神经科学与AI交叉研究提供重要工具。

SOMA（Self-Organized MEA Architecture）是针对类器官MEA脉冲数据的自监督学习框架，目标是无需标签、监督或先验假设，自动发现生物神经网络的离散状态。该框架由NinjaFury开发并开源，聚焦解决神经科学与人工智能交叉领域的关键问题。

1. Vision Transformer与时空掩码：将MEA数据组织为32电极×10时间段的二维结构，对75%时空区域进行掩码，迫使模型学习从部分观测推断整体网络状态；2. JEPA联合嵌入预测架构：采用LeCun提出的范式，预测目标编码器表示（目标编码器通过EMA更新），学习抽象结构特征而非像素级细节；3. Barlow Twins防坍塌机制：通过将嵌入向量互相关矩阵推向单位矩阵，确保各维度捕捉独立信息，提升表示质量且计算开销小。

1. 离散状态发现：FinalSpark类器官MEA数据集上发现9个离散网络状态，轮廓系数达0.636，聚类结构清晰；2. 层次化状态结构：呈现2个粗粒度→4个中粒度→9个细粒度的分层组织，反映生物神经网络多尺度原理；3. 交叉验证：4个独立模型（2CPU+2GPU）收敛到相同二元状态结构，结果稳健可重复；4. 发育轨迹追踪：0-4天熵值从0.511比特增至1.918比特，类器官神经复杂度随时间提升。

SOMA v0.2引入Vedanā Gate模块，灵感来自佛教“vedanā”概念：1. 设计：在patch嵌入与transformer编码器间插入效价评分层，通过两层线性变换+GELU激活+sigmoid生成0-1评分作为门控信号；2. 优势：仅增加0.4%参数，可端到端学习（无需额外监督），通过get_gate_scores方法可视化每个时空patch的重要性，增强模型可解释性。

数据来源：使用FinalSpark Neuroplatform的MEA记录数据（需联系获取访问权限）；应用场景：神经科学研究者的无监督分析工具、计算神经科学的自监督应用案例、AI研究者的表示学习参考架构，还引发佛教概念启发神经网络设计的讨论。

SOMA代表神经科学与AI交叉领域的前沿探索，通过结合Vision Transformer、JEPA和Barlow Twins，实现从原始脉冲数据到可解释网络状态的自动发现。其严格验证流程、层次化状态发现及Vedanā Gate创新设计，为类器官智能研究提供了宝贵的开源工具。