Regular spiking in high conductance states: the essential role of inhibition
在神经网络的平衡状态下，对神经元的强抑制性输入会增加突触电流波动。这导致了这样的假设，即抑制有助于体内观察到的高尖峰放电不规则性。我们使用单室神经元模型与时间相关的（由于突触过滤）和状态依赖性（由于反转电位）的输入，以证明抑制性输入的行为，以减少膜电位波动，结果是不能实现与简化的神经输入模型。为了阐明对尖峰放电规律性的影响，我们使用了具有不同尖峰放电适应机制的模型，并观察到，如果通过离子电流实现尖峰放电适应或根本不实现尖峰放电适应，则在具有动态放电阈值和降低放电规律性的模型中添加抑制会增加放电规律性。这种新的波动稳定机制提供了一个新的视角观察到的神经网络的平衡状态的强抑制性输入的重要性，并突出了生物合理的输入和特定的适应机制在神经元建模的关键作用。
2021-02-18 q-bio.NC
Firing rate homeostasis counteracts changes in stability of recurrent neural networks caused by synapse loss in Alzheimer's disease
阿尔茨海默氏症患者认知功能的损害与突触丧失明显相关。然而，这种相关性的机制知之甚少。在这里，我们研究如何在稀疏连接的随机网络的尖峰兴奋性和抑制性神经元的兴奋性突触的损失改变其动力学特性。除了对网络活动统计的影响外，我们发现兴奋性神经元上兴奋性突触的丧失使网络动态向稳定状态转变。对时变输入的小扰动的灵敏度的降低可以被认为是计算能力降低的指示。网络性能的完全恢复可以通过放电率稳态来实现，这里通过放大剩余的兴奋性-兴奋性突触来实现。通过分析线性化网络动力学的稳定性，我们解释了稳态如何同时保持网络的发射率和对小扰动的敏感性。
2019-09-03 q-bio.NC
Finite volume and asymptotic methods for stochastic neuron models with correlated inputs
我们考虑一对随机整合和火灾神经元接收相关的随机输入。该系统的演化可以用相应的Fokker-Planck方程描述，其边界条件由不应期和点火阈值决定。我们提出了一个有限体积法，是数量级的速度比传统上用于模拟这样的系统的蒙特卡罗方法。结果表明，所得到的数值近似是精确的，非负的，并集成到1。我们还近似的瞬态演化的系统使用的Ornstein-Uhlenbeck过程，并使用的结果来检查细胞对的联合输出的属性。结果表明，一个细胞对的联合输出是最敏感的输入方差的变化，而不敏感的输入均值和相关性的变化。
2010-12-13 q-bio.NC q-bio.QM
Stochastic resonance controlled upregulation of internal noise after hearing loss as a putative correlate of tinnitus-related neuronal hyperactivity
耳鸣是一种常见的听力损失，也是听力损失的一种表现。在动物研究中，声损伤可导致ST的行为体征，在人类研究中，ST患者没有增加的听力阈值被发现患有所谓的隐藏HL。此外，ST与沿听觉通路的病理性增加的自发放电率和神经元过度活跃（NH）相关。稳态可塑性（HP）已被提出作为一种补偿机制，导致NH的发展，认为HL后，最初降低的平均放电率的神经元随后恢复增加自发率。然而，所有HP模型从根本上缺乏解释力，因为保持平均发射率恒定的功能仍然难以捉摸，就信息处理而言，这可能带来的好处也是如此。此外，神经回路能够进行比较的首选与实际的平均放电率仍然不清楚。在这里，我们提出了一个全新的解释ST相关的发展，NH的信息论。我们认为，随机共振（SR）起着关键作用，在短期和长期的可塑性内的听觉系统，是NH和ST的最终原因。SR已被发现无处不在的神经科学，是指的现象，亚阈值，不可感知的信号可以通过添加噪声传感器输入传输。我们认为，HL后，SR用于提升信号以上的增加听力阈值，因此随后再次降低阈值。内部噪声的增加量与NH相关，由于听觉通路的神经元可塑性，NH最终导致ST的发展。我们通过使用计算模型证明了我们的假设的合理性，并提供了与我们的模型一致的人类和动物研究的示例性结果。
2016-03-15 q-bio.NC q-bio.QM
Response of Spiking Neurons to Correlated Inputs
研究了时间相关传入电流对泄漏的积分放电（LIF）神经元放电率的影响。该电流的特征在于兴奋性和抑制性输入的速率、自相关和互相关以及相关时间尺度$τ_c$。输出速率$ν_{out}$在Fokker-Planck（FP）形式中计算，与神经元的膜时间常数$τ$相比，在小和大$τ_c$的限制下。通过模拟，我们检查的分析结果，提供一个有效的插值所有$τ_c$和研究神经元的相关幅度的快速变化的反应。
2002-11-14 astro-ph cond-mat.dis-nn q-bio.NC
On the stationary state of a network of inhibitory spiking neurons
皮质神经网络的背景活动由具有不可靠的抑制性突触的同质整合和激发网络建模。数值和分析计算表明，网络放松到一个稳定的状态，高度关注。大多数神经元的膜电位刚好低于阈值;因此，网络可以立即对外部脉冲做出反应-在突触传递的时间尺度上。神经元以低速率和广泛的发放间隔放电。整个网络的射击事件在短时间内是相关的。放电率随外界刺激线性增加。在无限大网络的极限下，突触噪声降为零。然而，峰间期的分布仍然很宽。
2007-03-07 cond-mat.dis-nn q-bio.NC
State Dependence of Stimulus-Induced Variability Tuning in Macaque MT
以不同程度的唤醒和注意为标志的行为状态调节了皮层反应的一些特性（例如平均放电率或成对相关性），但还没有完全理解是什么驱动了这些反应变化以及它们如何影响下游刺激解码。在这里，我们表明，状态的变化调制的响应方差均值比（Fano因子）的调整方式，既不是预测的泊松尖峰模型，也不是平均放电率的变化，刺激的可辨别性有很大的影响。我们记录了两种状态下中颞叶皮层（MT）的运动敏感神经元：警觉注视和光，阿片类药物麻醉。与警戒状态相比，麻醉倾向于降低平均尖峰计数，而不会降低试验间变异性。在麻醉状态下，与警戒状态相比，试验内兴奋性波动在更长的时间尺度上相关，从而产生超泊松Fano因子。相比之下，警觉状态MT神经元具有更高的平均放电率和很大程度上的亚泊松变异性，这是刺激依赖性，不能单独用放电率差异来解释。在麻醉状态下，这种刺激诱导的变异性调谐的缺乏表明状态之间的变异性的不同来源。一个简单的模型解释了状态依赖的变化，通过抑制增益波动的方差在警戒状态下观察到的Fano因子的分布。人口模型与刺激诱导的变异性调整和行为约束的信息限制相关性探讨潜在的增强刺激的辨别力的皮层人口在警戒状态。
2018-10-03 q-bio.NC
Synaptic Plasticity in Correlated Balanced Networks
局部皮层网络的动态是不规则的，但相关的。动态兴奋-抑制平衡是产生这种不规则活动的合理机制，但目前仍不清楚如何在可塑性神经网络中实现和维持平衡。特别是，还没有完全理解可塑性引起的网络变化如何影响平衡，以及相关的平衡活动如何影响学习。在不同的可塑性规则下，平衡网络的动力学是如何变化的？循环网络中的相关尖峰活动如何改变权重的演变，它们的最终大小和整个网络的结构？为了解决这些问题，我们开发了一个一般理论的可塑性平衡网络。我们表明，在塑性引起的重量变化下，可以达到并保持平衡。我们发现，在输入的相关性温和，但显着影响突触权重的演变。在一定的可塑性规则下，我们发现放电率和突触权重之间的相关性。在这些规则下，突触权重收敛到权重空间中的稳定流形，其最终配置取决于网络的初始状态。最后，我们证明了我们的框架也可以描述当神经元子集接收有针对性的光遗传学输入时塑性平衡网络的动力学。
2020-04-26 q-bio.NC
Impact of correlated neural activity on decision making performance
来自环境的刺激引导行为并告知决策，这些刺激被编码在神经元群体的放电率中。然而，群体中的每个神经元并不独立地发放：发放事件在细胞之间是相关的。这种明显的冗余在多大程度上影响了决策的准确性，以及优化决策所需的计算？我们探讨这些问题的两个说明性的模型之间的相关性细胞。每个模型在成对细胞水平上在统计学上是相同的，但在描述较大细胞组的同时活动的高阶统计量上不同。我们发现，存在的相关性可以减少一个理想的决策者所获得的性能或大或小的程度上，这取决于高阶相互作用的性质。此外，虽然这种最佳性能在某些情况下可以通过标准的积分定界操作获得，但在其他情况下，它需要对传入尖峰进行非线性计算。总的来说，我们的结论是，给定水平的成对相关性-即使仅限于相同的神经元群体-可能并不总是表明冗余，降低决策性能。
2012-07-21 q-bio.NC
Thermodynamic constraints on neural dimensions, firing rates, brain temperature and size
本文基于热平衡热力学，分析Na$^{+}$/K$^{+}$泵耗散与脑温度对频率的双相依赖，推导纤维直径下限，证明哺乳动物大脑处于热力学安全区间，并给出估算平均放电频率的解析公式。
2009-05-22 q-bio.CB q-bio.NC q-bio.SC
Effects of neuronal variability on phase synchronization of neural networks
神经信息处理中的一个重要思想是通过相干性进行通信的假设，根据该假设，两个大脑区域之间的通信只有在相位锁定时才有效。同样重要的是神经元的可变性，这是一种其中单个神经元的相互激发时间可能高度可变的现象。在这项工作中，我们的目标是通过研究这种可变性对神经元达到相位同步的能力的影响来连接这两个想法。我们模拟了一个具有小世界拓扑结构的改进的Hodgkin-Huxley-爆裂神经元网络。首先，变异性被证明是与网络的相位同步的平均程度。接下来，限制到空间变异性-测量网络中所有神经元之间的放电时间偏差-我们表明它与我们称之为混杂的行为正相关，这是神经元的趋势，它们的相对相位随时间变化。在我们测试的所有情况下都观察到这种关系，无论同步的程度或神经元间耦合的强度如何：高变异性意味着高混杂性（锁相持续时间短），即使网络作为一个整体是同步的，耦合也很强。我们认为，空间变异实际上产生滥交。因此，我们得出结论，变异性有很大的影响，神经元相位同步的程度和方式，这是另一个原因，其相关性在神经通信。
2020-02-27 q-bio.NC
Learn to integrate parts for whole through correlated neural variability
本文提出一种统计力学理论，将知觉信息编码于感觉神经元的相关变异性中，并转化为下游放电率，通过脉冲神经网络实现高保真方向恢复和更优图像分类，挑战了神经协方差的次要地位。
2024-01-01 cs.NE physics.bio-ph q-bio.NC
Macroscopic dynamics of quadratic integrate-and-fire neurons subject to correlated noise
School of Physics and Astronomy, Yunnan University（云南大学物理与天文学院）
研究揭示了相关噪声对神经元群体活动的抑制作用及网络亚稳态特性，为复杂随机网络动力学提供了理论支持。
2026-01-15 cond-mat.stat-mech nlin.AO q-bio.NC
A large deviation principle for networks of rate neurons with correlated synaptic weights
本文研究了当神经元数目为无穷大时，相互作用神经元网络的渐近稳定性。给定一个完全连接的神经元网络，其中突触权重是高斯相关的随机变量，我们描述了当神经元数目趋于无穷大时网络的渐近律。我们介绍的过程级经验措施的解决方案的轨迹的方程的有限网络的神经元和平均法（相对于突触的权重）的轨迹的解决方案的网络的神经元。本文的主要结果是，通过经验测度的镜像律满足一个大偏差原理，具有一个好的率函数，该率函数具有唯一的全局极小值。我们的率函数的分析，使我们也可以描述的极限措施作为一个固定的高斯测量定义在一组变换的轨迹的图像。这对于神经科学中的应用可能非常有用，因为高斯测度可以完全由其均值和谱密度来表征。它还有助于评估有限尺寸效应的概率。
2013-05-31 math.PR q-bio.NC
Spike-based probabilistic inference with correlated noise
越来越多的证据表明，大脑执行概率推理来解释和响应感官输入，并且神经活动的试验间变异性起着重要作用。神经抽样假说将随机神经活动解释为从潜在概率分布中抽样，并已被证明与生物学观察到的放电模式兼容。在许多研究中，不相关的噪声被用作随机性的来源，忽视了皮质神经元可能共享其突触前伙伴的重要部分的事实，这影响了它们的计算。这与生物学以及带宽约束限制独立噪声量的神经网络实现相关。当接收到相关噪声时，所得到的相关性不能直接被突触权重$W$的变化抵消。我们表明，这是偶然的选择的编码：当改变状态空间从$z\in\{0,1\}$到$z'\in\{-1,1\}$，相关噪声具有完全相同的效果，在$W'$的变化。将问题转换到$\{-1,1\}$空间允许找到补偿所引起的相关性的权重配置。对于采样网络的人工嵌入，这允许在具有不同带宽约束的平台之间进行直接传输。映射的存在对于学习是重要的。由于在$\{-1,1\}$编码中，相关噪声可以通过参数变化来补偿，并且在改变编码时概率分布可以保持不变，因此在学习期间也可以在$\{0,1\}$编码中找到该分布，如模拟中所示。总之，采样尖峰网络在训练时不受噪声相关性的影响。如果这种计算发生在皮层，网络可塑性不需要考虑共享噪声输入。
2017-07-06 q-bio.NC
Theory of enhanced-by-coincidence neural information transmission
该研究通过解析建模揭示，在特定条件下突触前输入的时间相关性虽降低编码信息，却能增强下游LIF神经元读出的刺激可辨别性，阐明了编码与读出相结合的原理。
2025-07-23 cond-mat.dis-nn q-bio.NC
Spike propagation for spatially correlated inputs through noisy multilayer networks
利用作者[H. Hasegawa，Phys. Rev. E { \bf 67}，041903（2003）]。网络的每一层被假定为由FitzHugh-Nagumo神经元组成，这些神经元通过前馈耦合来耦合。将单脉冲信号应用于输入时间抖动的均方根（RMS）值和空间相关性分别为$σ_I$和$s_I$的网络，计算了输出触发时间抖动在各层$m$上的RMS值（$σ_{Om}$）和相关性（$s_{Om}$）。对于全对全前馈耦合，随着尖峰信号在层中传播，$s_{Om}$逐渐增长到一个相当大的值，即使对于没有相关性的输入也是如此。这表明，为了使相关性在01-0.3的观测值范围内，我们必须考虑噪声和更现实的前馈耦合。模型计算，包括本地前馈连接，除了所有到所有的前馈耦合在多层受到白噪声，已经表明，在一个长的多层，$σ_{Om}$和$s_{Om}$收敛到固定点值，这是由模型参数确定的多层结构的特征。DMA计算的结果与直接模拟的结果相当一致，尽管前者的计算时间远小于后者。
2003-08-05 cond-mat.dis-nn q-bio.NC
Locking of correlated neural activity to ongoing oscillations
在皮层活动的介观信号中普遍观察到群体范围的振荡。在这些网络状态中，全局振荡周期调节神经元的放电倾向。神经元的同步激活被假设为大脑中信号处理信息的单独通道。因此，一个突出的问题是，振荡是否以及如何与尖峰同步相互作用，以及这些通道在多大程度上可以被认为是分开的。实验确实表明，相关尖峰与静态放电率共同调制，并且也紧紧锁定在β振荡的相位上。虽然在前馈网络中相关性对平均速率的依赖性是很好理解的，但仍然不清楚相关性为什么以及通过什么机制紧密锁定到振荡周期。我们在这里证明，这种相关的激活对神经元定性地解释了随机驱动的随机网络。我们确定的协方差依赖于驱动周期性刺激的机制。平均场理论结合线性响应理论给出了二元递归随机网络的循环平稳平均活动和两两零时滞协方差的封闭表达式。两种不同的机制导致时变协方差：单个神经元敏感性的调制（通过外部输入和网络反馈）和单个单元活动的时变方差。对于某些参数，有效抑制的经常性反馈导致共振协方差，即使平均活动显示非共振行为。我们的分析结果开放的问题，时间调制的同步活动的定量分析。
2017-07-03 cond-mat.dis-nn q-bio.NC
A tractable method for describing complex couplings between neurons and population rate
群体中的神经元是强相关的，但如何简单地捕捉这些相关性仍然是一个争论的问题。最近的研究表明，每个细胞的活性受到群体速率的影响，群体速率被定义为群体中所有神经元的总活性。然而，一个明确的，易于处理的模型，这些相互作用仍然缺乏。在这里，我们建立了一个概率模型的人口活动，重现每个细胞的发射率，人口率的分布，以及它们之间的线性耦合。这个模型是易于处理的，这意味着它的参数可以在标准计算机上在几秒钟内学习，即使是大人口记录。我们推断我们的模型为蝾螈视网膜中的160个神经元。在这个群体中，单细胞放电率以意想不到的方式依赖于群体速率。特别是，一些细胞有一个优选的群体率，在这个群体率下，它们最有可能发射。这些复杂的依赖关系不能用细胞和种群率之间的线性耦合来解释。我们设计了一个更通用、更易于处理的模型，可以完全解释这些非线性依赖关系。因此，我们提供了一种简单且计算上易于处理的方法来学习模型，该模型再现了每个神经元对种群速率的依赖性。
2016-06-28 cond-mat.dis-nn q-bio.NC
Constrained plasticity reserve as a natural way to control frequency and weights in spiking neural networks
Russian Academy of Sciences（俄罗斯科学院）
生物神经元具有自适应性，并执行涉及冗余信息过滤的复杂计算。然而，大多数常见的神经细胞模型，包括生物学上合理的模型，如Hodgkin-Huxley或Izhikevich，在单细胞水平上不具有预测动力学。此外，突触可塑性或互连权重自适应的现代规则也没有为神经元适应不断变化的输入信号强度的能力提供基础。虽然天然神经元突触生长受到蛋白质供应和再循环的精确控制和限制，但权重校正规则（如广泛使用的STDP）在变化率和规模上有效地不受限制。本文介绍了神经元放电率稳态和重量变化之间的互连的新机制，通过STDP增长的抽象蛋白质储备的限制，由细胞内优化算法控制。我们展示了这些细胞动力学如何帮助神经元过滤掉强烈的噪声信号，以帮助神经元保持稳定的放电率。我们还研究了这种过滤不影响神经元在无监督模式下识别相关输入的能力。这种方法可以用于机器学习领域，以提高AI系统的鲁棒性。
2021-06-20 cs.AI cs.LG cs.NE
Self-organization of nonlinearly coupled neural fluctuations into synergistic population codes
本研究通过神经回路模型揭示相关波动非线性耦合可自组织形成协同群体编码，负相关诱导凹凸束缚态，增强工作记忆容量与时空复用。
2023-10-17 physics.bio-ph q-bio.NC
Dynamical Origin for Winner-Take-All Competition in A Biological Network of The Hippocampal Dentate Gyrus
我们认为海马齿状回（DG）的生物网络。DG是一个用于模式分离的预处理器，它有助于海马CA 3区的模式存储和检索。DG中的主要编码细胞是颗粒细胞（GC），其接收来自内嗅皮层（EC）的输入并将其输出发送到CA 3。GC的活化程度很低（~ 5%）。这种稀疏性被认为增强了模式分离。我们调查的动力学起源赢家通吃（WTA）的竞争，导致稀疏激活的GC。整个GC被分组为片层簇。在每个GC簇中，存在一个抑制性（I）篮状细胞（BC）以及兴奋性（E）GC。有三种类型的外部输入到GCs：直接兴奋性EC输入，间接抑制EC输入，由HIPP（门穿孔通路相关）细胞介导，和兴奋性输入从门苔藓细胞（MC）。GC的发射活动是通过外部E和I输入之间的竞争来确定的。E-I电导比${\cal{R}}_{\rm E-I}^{\rm (con)*}$（由外部E-I电导的时间平均值给出）可以很好地表示这种外部E-I输入竞争的程度。当GC的$\cal{R}_{\rm E-I}^{\rm (con)*}$大于阈值${\cal{R}}_{th}^*$时，GC变得活跃，然后活跃GC的平均放电速率与$\cal{R}_{\rm E-I}^{\rm (con)*}$强烈相关。在每个GC集群中，BC的反馈抑制可以选择获胜GC。$\cal{R}_{\rm E-I}^{\rm (con)*}$大于阈值${\cal{R}}_{th}^*$的GC存活，它…
2021-05-13 physics.bio-ph q-bio.NC
The Effect of Nonstationarity on Models Inferred from Neural Data
受到共同的非平稳输入的神经元可以表现出相关的放电行为。神经脉冲序列的统计相关性也是神经元之间相互作用的结果。在这里，我们展示了这两种情况是可以区分的，用机器学习技术，只要数据足够丰富。为了做到这一点，我们研究的问题推断动力伊辛模型，固定或非固定的，从现有的数据。我们将推理过程应用于两个数据集：一个来自蝾螈视网膜神经节细胞，另一个来自现实的计算皮层网络模型。我们发现，蝾螈视网膜神经元的协同活动的许多方面可以简单地追溯到外部输入。一个模型的非相互作用的神经元受到一个非平稳的外部场优于一个模型与固定的输入与神经元之间的耦合，即使考虑到模型参数的数量的差异。当耦合被添加到非平稳模型时，对于视网膜数据，几乎没有获得：推断的耦合通常不显著。同样，同时发放尖峰的神经元集合的大小分布和尖峰模式的频率作为它们的秩的函数（Zipf图）可以通过具有时间依赖性外部输入的独立神经元模型很好地解释，并且向这样的模型添加连接并不能提供显著的改进。对于皮层模型数据，鲁棒耦合，以及相关的真实连接，可以推断使用非平稳模型。向该模型添加连接略微改善了与同步尖峰概率数据的一致性，但几乎不影响Zipf图。
2013-01-31 q-bio.NC q-bio.QM
Frequency selectivity of neural circuits with heterogeneous transmission delays
神经元通过轴突和树突连接到其他神经元，轴突和树突以有限的速度传导信号，导致神经元的放电与所得脉冲到达其他神经元之间的延迟。由于延迟极大地复杂化了模型的分析处理和解释，它们通常被忽略或被认为是统一的，导致缺乏对神经系统中延迟影响的理解。本文表明，异质传输延迟使小群体的神经元选择性地响应不同的频谱输入。通过研究接收相关时移输入的单个积分和激发神经元，显示了频率响应如何与传入连接的强度和延迟时间相关联。结果表明，加入延迟改变了神经网络的功能，并改变了神经连接和突触强度的影响。
2020-09-19 q-bio.NC
The A-current and Type I / Type II transition determine collective spiking from common input
在整个神经系统中，对神经元对和神经元组之间的相关或同步放电的机制和影响正在进行深入的研究。一个普遍存在的电路特征可以引起这种相关性，它包括对细胞对和细胞群的重叠或共同输入，导致共同的脉冲序列响应。在这里，我们使用计算工具来研究如何通过受体细胞的生理学来调节共同输入电流到共同尖峰输出的转移。我们专注于一个关键的电导- gA，为A型钾电流-驱动神经元之间的“II型”兴奋性（低gA），和“I型”兴奋性（高gA）。不管gA如何，细胞将共同的输入波动转化为几乎同时发放尖峰的趋势。然而，这个过程是更明显的低gA值，如先前预测的减少“相”模型。因此，对于给定水平的共同输入，II型神经元产生在短时间尺度上相对更相关的尖峰。随着时间的推移，这种趋势发生逆转，II型神经元产生的相关性相对较低的脉冲序列。这是因为这些细胞的增加趋势，同时尖峰是平衡的相反趋势，在更大的时间滞后。我们证明了一个新的神经信号处理的含义：具有长时间常数的下游细胞选择性地驱动I型细胞群体上游，和II型细胞群体的时间常数短。我们的研究结果是通过高通量的数值模拟建立的，并通过细胞的过滤特性和非线性动力学解释。
2011-06-04 q-bio.NC
Random versus maximum entropy models of neural population activity
最大熵原理提供了一种从相关系统中的观测推断统计力学模型的有用方法，并且广泛用于可获得准确数据的各种领域。虽然最大熵的假设是直观和吸引人的，但与其他方法相比，它对描述复杂经验数据的充分性研究很少。这里的数据从集体尖峰活动的视网膜神经元进行重新分析。平均发射率和成对相关性约束的最大熵分布的准确性相比，由相同的观测约束的分布的随机合奏。一般来说，最大熵比来自该集合的典型或平均分布更接近真实分布。这种优势随着群体规模的增加而改善，小到8个的群体几乎总是可以用最大熵更好地描述。失败的最大熵优于随机模型被发现与人口中的强相关性。
2016-12-08 cond-mat.dis-nn q-bio.NC
Recurrent Interactions in Spiking Networks with Arbitrary Topology
群体活动的随机网络的兴奋性和抑制性泄漏整合和火灾（LIF）神经元已被广泛研究。特别是，在稀疏连接的网络中，出现了一种具有低放电率和低成对相关性的异步活动状态。我们应用线性响应理论来评估详细的网络结构对神经元动力学的影响。事实证明，由直接和间接网络连接引起的成对相关性可以与直接线性相互作用矩阵相关。此外，我们研究了神经元模型的特性的影响。解释重置为自我抑制，我们研究其影响，通过单神经元活动的频谱，对网络的自相关函数和整体相关水平。神经元模型也影响相互作用核的形式，从而影响依赖于时间的相关函数。我们最终发现，一个线性不稳定的网络与Erdens-Rényi拓扑结构一致的全球过渡到一个高度相关的网络状态。我们的工作表明，经常性的相互作用有深刻的影响，脉冲序列统计，并提供了工具，研究特定的网络拓扑结构的影响。
2012-03-22 q-bio.NC
Continuous Attractor Networks for Laplace Neural Manifolds
本文提出一种基于连续吸引子动力学的神经回路，通过边缘和凸起群体实现δ函数的拉普拉斯变换及其逆变换，并建模固定延迟的时序关联，该回路对噪声鲁棒，可用于多种认知模型。
2024-08-20 q-bio.NC
Fluctuation-driven initialization for spiking neural network training
脉冲神经网络（SNN）是大脑中低功耗、容错信息处理的基础，当在合适的神经形态硬件加速器上实现时，可以构成传统深度神经网络的节能替代方案。然而，实例化SNN来解决计算机上的复杂计算任务仍然是一个重大挑战。代理梯度（SG）技术已经成为端到端训练SNN的标准解决方案。尽管如此，它们的成功取决于突触权重的初始化，类似于传统的人工神经网络（ANN）。然而，与ANN不同的是，SNN的良好初始状态仍然难以捉摸。在这里，我们开发了一个通用的SNN初始化策略的灵感来自波动驱动的制度通常在大脑中观察到的。具体来说，我们得到了实际的解决方案，数据相关的权重初始化，确保波动驱动的发射在广泛使用的泄漏积分和火灾（LIF）神经元。我们的经验表明，SNN初始化后，我们的策略表现出优越的学习性能时，与SG训练。这些发现概括了几个数据集和SNN架构，包括完全连接的，深度卷积的，循环的，以及遵守戴尔定律的生物学上更合理的SNN。因此，波动驱动的初始化提供了一个实用的，通用的，易于实现的策略，以提高SNN训练性能的不同任务的神经形态工程和计算神经科学。
2022-06-21 cs.NE q-bio.NC
