Allee Synaptic Plasticity and Memory
本文提出基于Allee的非线性可塑性模型,通过权重稳定机制和时间依赖性动力学扩展,解决了现有模型噪声敏感和权重无限增长问题,提升了记忆保持与模式检索的容量和可靠性。
2025-08-11 cs.NE math.DS q-bio.NC
Adaptation controls synchrony and cluster states of coupled threshold-model neurons
我们分析了零滞后和集群同步的延迟耦合非光滑动力系统通过扩展的主稳定性方法,并将其应用到网络的自适应阈值模型神经元。对于兴奋性和抑制性神经元的同质群体,我们发现(i)阈下适应稳定或不稳定的同步取决于是否经常性突触兴奋性或抑制性耦合占主导地位,(ii)同步总是不稳定的网络与平衡的经常性突触输入。如果耦合不是太强,则对于非常不同的耦合拓扑,即,随机连接或具有局部连接性的空间网络。我们概括了我们的方法与不相同的局部动力学,包括爆发,其中基于活动的适应控制集群状态的稳定性,独立于一个特定的耦合拓扑的两个亚群的神经元。
2013-11-05 nlin.AO q-bio.NC
Neural Models of Task Adaptation: A Tutorial on Spiking Networks for Executive Control
Oklahoma State University(俄克拉荷马州立大学);Georgia Tech(佐治亚理工学院)
本教程提出了一种基于LIF神经元和STDP的生物合理脉冲神经网络构建方法,用于模拟认知控制网络中的任务切换机制,揭示了神经适应规律,为执行功能的计算基础提供了见解。
2025-03-05 cs.LG cs.NE q-bio.NC
Intrinsic adaptation in autonomous recurrent neural networks
大规模递归神经网络一方面对输入刺激做出响应,另一方面在没有感官输入的情况下自主活动。刺激和信息处理在很大程度上取决于正在进行的神经活动的动态状态的感受质。这种默认的神经活动可以在时间和空间上动态地构造,显示出规则的、同步的、突发的或混乱的活动模式。研究了非突触可塑性对循环神经网络默认动力学状态的影响。考虑的非突触自适应作用于内在神经参数,如阈值和增益,并由信息熵的优化驱动。我们观察到,在存在的内在适应过程中,三个不同的和全球吸引的动力学制度,定期同步,整体混乱和间歇性突发制度。间歇爆发制度的特点是定期流动的间隔,这是相当不敏感的外部刺激,interseeded由混沌爆发,敏感地响应输入信号。我们讨论这些发现的背景下,自组织信息处理和关键的大脑动力学。
2011-10-14 cond-mat.dis-nn nlin.AO nlin.CD
Interneurons accelerate learning dynamics in recurrent neural networks for statistical adaptation
Flatiron Institute(弗莱德哈钦森研究所);Harvard University(哈佛大学);New York University School of Medicine(纽约大学医学院)
本研究对比介导递归通信的中间神经元网络与直接递归连接网络,发现前者对初始化更鲁棒、收敛更快,揭示了中间神经元在快速统计适应中的计算作用,为递归网络的隐式加速提供了类比。
2023-08-24 cs.LG cs.NE q-bio.NC
Mean-field approximations of networks of spiking neurons with short-term synaptic plasticity
神经网络动力学的低维描述是一种有效的工具,用于连接不同尺度的大脑结构和功能的组织。最近在推导耦合振子网络的平均场描述方面的进展引发了新一代神经质量模型的发展。值得注意的是所有对所有耦合的二次积分和激发(QIF)神经元的平均场描述,已经看到了许多扩展和应用。这些扩展包括不同形式的短期适应(STA)被认为在大脑中产生和维持感兴趣的动态机制中发挥重要作用。然而,这是一个悬而未决的问题,是否纳入由单个神经元活动驱动的突触可塑性的突触前形式仍然允许使用相同的方法推导平均场方程。在这里,我们讨论这个问题,使用一个既定的模型,短期突触可塑性在单个神经元的水平,我们提出了两种不同的方法来推导的平均场方程。我们比较这些模型与最近提出的平均场近似假设随机尖峰时间。在一般情况下,后者无法准确地再现宏观活动的确定性QIF神经元网络的分布参数。我们表明,我们提出的平均场模型提供了一个更准确的描述的网络动态,虽然他们在数学上更多的参与。通过分叉分析,我们发现具有突触前短时可塑性的QIF网络既可以表现出周期性爆发活动的机制,也可以表现出双稳态机制。总之,我们提供了新的见解短期突触可塑性的宏观影响尖峰神经网络,以及两个不同的平均场描述,为未来的调查,这样的网络。
2021-06-14 cond-mat.dis-nn q-bio.NC
Efficient transmission of subthreshold signals in complex networks of spiking neurons
我们调查的有效传输和处理弱,阈下信号在一个现实的神经介质中存在不同程度的潜在噪声。假设Hebbian权重为最大突触电导-自然平衡网络与兴奋性和抑制性突触-并考虑影响这种电导的短期突触可塑性,我们发现系统中有不同的动态阶段。这包括其中神经元群体保持同步的记忆阶段、其中出现不同同步神经元群体之间的转变的振荡阶段以及异步或噪声阶段。当弱刺激输入施加到每个神经元,增加介质中的噪声水平时,我们发现这种刺激在过渡和临界点周围的有效传输,这些过渡和临界点将系统中定义明确的不同随机性水平的不同阶段分开。我们证明了这一有趣的现象是非常强大的,因为它发生在不同的情况下,包括几种类型的突触可塑性,不同类型和数量的存储模式和不同的网络拓扑结构,即稀释网络和复杂的拓扑结构,如无标度和小世界网络。我们的结论是,在不同的现实情况下,包括尖峰神经元,短期突触可塑性和复杂的网络拓扑结构的现象的鲁棒性,使很可能,它也可能发生在实际的神经系统,最近的心理物理实验表明。
2015-01-29 cond-mat.dis-nn physics.bio-ph q-bio.NC
Learning with a network of competing synapses
突触之间的竞争以某种形式的基于相关性的可塑性出现。在这里,我们提出了一个游戏理论的灵感模型的突触相互作用,其动力学是由突触之间的竞争,在他们的弱和强的状态,其特征在于不同的时间尺度。输入和记忆的学习在网络化突触群体的有效描述中是有意义的。我们研究,数值和分析,有效的系统对各种信号类型的动态响应,特别是参考现有的经验运动适应模型。系统级行为对突触参数和信号强度的依赖性以清晰的方式呈现出来,从而阐明了诸如最佳性能和多个时间尺度的功能作用等问题。
2011-10-18 cond-mat.dis-nn cond-mat.stat-mech nlin.AO
Population spiking and bursting in next generation neural masses with spike-frequency adaptation
尖峰频率适应(Spike-frequency adaptation,SFA)是一种基本的神经机制,它考虑到了由于尖峰发射引起的疲劳和随之而来的放电活动的减少。我们已经研究了这种适应机制的宏观动力学的二次整合和消防(QIF)神经元耦合通过指数衰减突触后电位的兴奋性和抑制性网络的影响。特别是,我们通过采用精确的平均场减少来研究种群活动,这产生了下一代神经质量模型。这种低维的减少允许分叉图的推导和识别可能出现在一个单一的和两个相同的耦合神经质量的宏观制度。在单个种群中,SFA有利于兴奋性网络中种群爆发的出现,而抑制性网络中的强直性种群尖峰则受到抑制。在没有适应的情况下,两个神经块的对称耦合会导致对称性破缺的宏观解的出现:即抑制性情况下的嵌合体样解和兴奋性情况下的反相种群尖峰。SFA的加入导致新的集体动力学制度表现出交叉频率耦合(CFC)之间的快速突触时间尺度和缓慢的适应,从反相慢-快嵌套振荡对称和不对称的爆发现象。对$θ$ - $γ$范围内的这些CFC节律的分析表明,SFA的减少导致$θ$频率的增加,并伴随着$γ$频率的减少。这类似于实验报告的啮齿类动物的海马和嗅觉皮层在胆碱能调节下的情况,已知其减少SFA。
2022-10-10 cond-mat.dis-nn math.DS nlin.AO
Synaptic Plasticity and Spike Synchronisation in Neuronal Networks
脑可塑性,也称为神经可塑性,是神经元适应环境变化或脑损伤的基本机制。本文综述了突触可塑性对Hodgkin-Huxley神经元网络的影响。我们发现,最终的拓扑结构的进化网络的抑制性和兴奋性突触的强度之间的比例至关重要。与抑制顺序相同的兴奋会使一个进化的网络产生兴奋,呈现出富人俱乐部现象,众所周知,这种现象存在于大脑中。对于具有相当大的抑制强度的初始网络,我们观察到复杂的进化拓扑的出现,其中神经元稀疏地连接到其他神经元,这也是大脑的典型拓扑。噪声的存在增强了两种类型突触的强度,但如果初始网络具有两种性质的突触,则强度相似。最后,我们将展示如何演变的网络的同步行为将反映其演变的拓扑结构。
2017-09-01 physics.bio-ph q-bio.NC
HetSyn: Versatile Timescale Integration in Spiking Neural Networks via Heterogeneous Synapses
College of Intelligence and Computing, Tianjin University(智能与计算学院,天津大学);College of Computer and Information Engineering, Tianjin Normal University(计算机与信息工程学院,天津师范大学)
本文提出HetSyn框架,通过突触特异性时间常数建模突触异质性,将时间整合从膜电位转移到突触电流,其HetSynLIF模型在多种任务上提升了SNN性能、鲁棒性与跨时间尺度泛化能力。
2025-08-01 cs.LG q-bio.NC
Synaptic delay induced macroscopic dynamics of the large-scale network of Izhikevich neurons
本研究构建含突触延迟的大规模Izhikevich神经元网络模型,通过Ott-Antonsen理论约简为平均场系统,分析了突触延迟等因素对宏观动力学的调控作用,揭示了环面分岔介导双频群体簇放电的机制,为脑功能研究提供了理论参考。
2023-10-06 q-bio.NC
Synaptic plasticity and neuronal refractory time cause scaling behaviour of neuronal avalanches
在体外和体内不同的皮层网络中测量的神经元雪崩始终表现出幂律行为的大小和持续时间分布的指数典型的平均场自组织分支过程。这些指数也恢复在神经网络模拟实现不同的网络拓扑结构上的各种神经元动力学。因此,它们可以被认为是自发神经元活动的一个非常强大的特征。有趣的是,在有限维的规则晶格上也观察到了这种标度行为,这就提出了实验观察到的平均场行为的起源问题。在这项研究中,我们提供了一个答案,这个开放的问题,通过调查活动依赖的可塑性与神经元的不应时间在神经元网络相结合的效果。结果表明,不应期阻碍向后雪崩,迫使一个定向传播。赫布可塑性适应的作用是将这些定向雪崩模式塑造成网络的拓扑结构,慢慢地将其变成一个分支结构,其中循环是边缘的。
2016-08-10 nlin.AO q-bio.NC
Effect of Diverse Recoding of Granule Cells on Optokinetic Response in A Cerebellar Ring Network with Synaptic Plasticity
我们考虑了一个小脑环网络的视动反应(OKR),并探讨不同的颗粒(GR)细胞的重新编码OKR的影响,通过改变连接概率$p_c$从高尔基体到GR细胞。对于最佳值的$p_c^*~(=0.06)$,个别GR细胞表现出不同的尖峰模式,这是同相,反相,或复杂的相位相对于他们的群体平均放电活动。然后,这些不同的记录信号通过平行纤维(PF)从GR细胞有效地抑制了错误的教学信号通过攀爬纤维从下橄榄,这也是同相的。活动GR细胞的同相PF-Purkinje细胞(PC)突触处的突触重量通过强长时程抑制(LTD)被强烈抑制,而反相和复杂异相PF-PC突触处的突触重量通过弱LTD被弱抑制。强/弱LTD)引起PC放电的大调制,然后对前庭核(VN)神经元(其唤起OKR)施加有效的抑制协调。对于VN神经元的激发,对应于调制增益比的学习增益度${\cal{L}}_g$随着学习周期的增加而增加,并且其在大约第300个周期处饱和。通过改变$p_c$与$p_c^*$,我们发现饱和学习增益程度${\cal L}_g^*$与$p_c$的曲线图形成了一个钟形曲线,峰值在$p_c^*$(GR细胞尖峰模式的多样性程度也是最大的)。因此,GR细胞的编码越多样化,OKR适应的运动学习就越有效。
2020-08-11 physics.bio-ph q-bio.NC
Time Divergence-Convergence Learning Scheme in Multi-Layer Dynamic Synapse Neural Networks
针对双层动态突触神经网络(DSNN),提出了一种新的学习方案--时间发散-收敛(TDC)。DSNN是一种人工神经网络模型,其中突触传递用动态过程建模,神经元之间的信息通过锋电位定时传递。在TDC中,DSNN的层内神经元被训练为将输入脉冲序列映射到称为特征域的更高维度的脉冲序列,并且输出神经元被训练为通过处理层内神经元的尖峰定时来构建期望的脉冲序列。DSNN的性能进行了检查,在一个抖动的尖峰序列分类任务,显示超过92\%的准确性,在分类不同的脉冲序列。DSNN的性能与递归多层神经网络相当,并以22%的裕度超过单层DSNN。突触动力学已被提出作为亚秒时间处理的神经基板,我们可以利用TDC训练DSNN执行不同形式的亚秒时间处理。这里提出的TDC学习在多层DSNN的更深层的突触适应方面是可扩展的。这里提出的DSNN和TDC学习可以用来复制在神经回路和模式识别任务中观察到的处理。
2017-07-25 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
Density-based clustering: A 'landscape view' of multi-channel neural data for inference and dynamic complexity analysis
来自N个电极的同时记录产生N维时间序列,其要求有效的表示以暴露潜在动态的相关方面。将时间序列装箱定义了填充N维空间的神经活动向量作为密度分布,当神经动力学通过亚稳态执行噪声路径时(通常是神经科学中感兴趣的情况),特别是信息;这使得N维空间中的聚类成为自然选择。我们应用一个变种的“均值漂移”算法来执行这样的聚类,并验证它在玻璃相,其中亚稳态是不相关的记忆吸引Hopfield网络。被识别为簇的质心的神经状态,然后被用来定义一个简约的参数化的突触矩阵,这使得一个显着的改进,从神经活动推断突触耦合。接下来,我们考虑更现实的情况下,一个多模块的尖峰网络,与尖峰频率适应(SFA)诱导的历史依赖性的影响,我们开发了一个程序,玻尔兹曼学习的启发,但扩展其应用领域,学习模块间的突触耦合,使尖峰网络再现规定的空间相关性模式。在对多模块尖峰网络产生的活动进行聚类后,我们将其多维动态表示为聚类质心的符号序列,这自然有助于复杂性估计,从而提供有关SFA诱导的记忆效应的信息。为了获得一个相对的复杂性措施,我们比较的Lempel-Ziv复杂性的实际质心序列的马尔可夫过程的质心之间共享相同的转移概率之一,作为一个例子,我们表明,这种相对复杂性的时间尺度上的SFA的依赖。
2017-01-02 cond-mat.dis-nn q-bio.NC
Self-organized adaptation of a simple neural circuit enables complex robot behaviour
Bernstein Center for Computational Neuroscience(伯恩斯坦计算神经科学中心);Institute for Solid State Physics, ISFH / University of Hannover(汉诺威大学ISFH固态物理研究所);Max Planck Institute for Dynamics & Self-Organization(马克斯·普朗克动力学与自组织研究所);University of Göttingen(哥廷根大学)
控制高等动物或复杂机器人的感觉运动系统是一个具有挑战性的组合问题,因为许多感觉信号需要同时协调成一个广泛的行为谱。为了与环境快速交互,这种控制需要快速和自适应。目前的机器人解决方案具有有限的自主性,并且大多限于少数行为模式。在这里,我们引入混沌控制作为一种新的策略,以产生复杂的行为的自主机器人。在所提出的系统中,18个传感器通过简单的神经控制电路驱动18个电机,从而生成11个基本行为模式(例如,定向、滑行、自我保护、各种步态)及其组合。控制信号快速且可逆地适应新的情况,并且还能够学习和突触长期存储行为上有用的运动反应。因此,这种神经控制提供了一种强大而简单的方法,可以在具有许多自由度的自主代理中自组织多功能行为。
2011-05-06 cond-mat.dis-nn cs.AI cs.RO
Adaptive self-organization in a realistic neural network model
复杂系统中的信息处理在接近相变临界状态时效率最高。因此,可以想象,神经信息处理也接近临界运行。幂律分布的观察结果进一步支持了这一点,幂律分布是相变的标志。一个重要的未决问题是,神经网络如何能够在发展、适应、学习等过程中不断变化的同时保持接近临界点。Bornholdt和Rohlf做出了一项有影响力的贡献,在自适应网络中引入了一种鲁棒自组织临界性的通用机制。在这里,我们解决的问题,这种机制是否是真正的神经网络相关。我们在一个现实的模型,尖峰时间依赖的突触可塑性可以自组织神经网络强大的临界。我们的模型再现了几个经验性的观察,并作出可测试的预测突触强度的分布,将它们与网络的临界状态。这些结果表明,动力学和拓扑结构之间的相互作用可能是必不可少的神经信息处理。
2010-05-26 q-bio.NC
How single neuron properties shape chaotic dynamics and signal transmission in random neural networks
虽然大多数随机连接网络的模型假设节点具有简单的动态特性,但现实高度连接网络中的节点,如大脑中的神经元,在多个时间尺度上表现出内在的动态特性。我们分析了节点(如单个神经元)的动态特性和经常性连接如何相互作用,以塑造大型随机连接网络中的有效动态。一种新的动力学平均场论的强连接网络的多维速率单元表明,在混沌阶段的网络活动的功率谱出现从单个单元的频率响应函数的非线性锐化。对于具有强适应性的二维速率单元的情况,我们发现网络呈现出“共振混沌”状态,其特征在于鲁棒的窄带随机振荡。随机振荡的相干性在混沌开始时最大,它们的相关时间尺度与单个单元的适应时间尺度有关。令人惊讶的是,共振频率可以预测从孤立的单元的属性,即使在适应参数的异质性的存在下。在这些内部产生的混沌波动的存在下,弱,低频信号的传输被强烈增强的自适应,而信号传输不受影响的非混沌政权的自适应。我们的理论框架可以应用于其他机制在单节点的水平,如突触过滤,不应或尖峰同步。这些结果推进了我们对单个单元的动力学和循环连接之间的相互作用的理解,这是描述大脑中生物现实网络模型的基本步骤,或者更一般地说,其他物理或人造复杂动力学单元的网络。
2019-02-28 cond-mat.dis-nn q-bio.NC
Scaling of a large-scale simulation of synchronous slow-wave and asynchronous awake-like activity of a cortical model with long-range interconnections
皮层突触组织支持多个空间和时间尺度上的一系列动态状态,从深睡眠或麻醉的特征性同步慢波活动(SWA)到清醒期间的波动异步活动(AW)。这种动态多样性对产生有效的大规模模拟提出了挑战,这些模拟体现了短距离和长距离突触连接的现实隐喻。事实上,在SWA和AW期间,皮层组织的不同空间范围在给定的时间跨度和不同的放电率下是活跃的,这意味着各种各样的本地计算和通信负载。因此,模拟性能和鲁棒性的平衡评估应包括各种皮质动态状态的测试。在这里,我们展示了我们专有的分布式和可塑性脉冲神经网络(DPSNN)模拟引擎在SWA和AW中的性能缩放,用于神经种群的二维网格,这反映了皮层的模块化组织。我们探索了多达192x192个模块的网络,每个模块由1250个具有尖峰频率适应的整合和激发神经元组成,并且具有不同空间衰减常数的指数衰减模块间突触连接。对于最大的网络,突触的总数超过700亿。执行平台包括多达64个双插槽节点,每个插槽安装8个英特尔至强Haswell处理器内核,时钟频率为2.40 GHz。网络初始化时间,内存使用和执行时间表现出良好的缩放性能,从1到1024个进程,使用标准的消息传递接口(MPI)协议实现。在探索的模块间互连范围内,我们实现了每秒2.3x10^9到4.1x10^9个突触事件的模拟速度。
2019-11-26 cs.NE q-bio.NC
Emergence of scale-free properties in Hebbian networks
神经系统的基本“可塑性”(即在不同结构水平上的高适应性)主要基于赫布学习机制,该机制修改了突触连接。这些修改依赖于神经活动,并为神经网络分配特殊的动态行为。神经系统的另一个显著特征是基于尖峰的信息传输,它被认为对噪声是鲁棒的,但它本身是有噪声的:单个神经元的尖峰的方差惊人地大,这可能会破坏赫布机制的充分功能。在本文中,我们专注于网络中的赫布式适应只引起外部随机噪声和研究尖峰时间依赖的突触可塑性。我们表明,这样的“HebbNets”能够开发出广泛的网络结构,包括无标度的小世界网络。这种网络结构的发展可能提供了一个解释的作用,噪音和它的相互作用与赫布可塑性。我们还认为,这个模型可以被看作是著名的Watts-Strogatz和小世界网的偏好连接模型的统一。
2003-08-11 nlin.AO q-bio.NC
Probabilistic Fluorescence-Based Synapse Detection
Duke University(杜克大学);Allen Institute for Brain Sciences(艾伦脑科学研究所);Johns Hopkins University(约翰斯·霍普金斯大学);Stanford University School of Medicine(斯坦福大学医学院);University of North Carolina(北卡罗来纳大学)
大脑功能来自于由复杂的突触网络连接的神经元之间的通信。突触本身是高度复杂和多样化的信号机器,包含数百种不同基因的蛋白质产物,有些基因有数百个拷贝,在每个突触上以精确的晶格排列。突触不仅是突触网络功能的基础,也是网络发育、适应和记忆的基础。此外,突触数量或分子成分的异常与大多数精神和神经障碍有关。尽管它们的重要性显而易见,但哺乳动物突触的数量迄今为止一直拒绝进行详细的定量研究。在人类大脑和大多数动物神经系统中,突触非常小,而且非常密集:每立方毫米的人类皮层大约有10亿个突触。这种体积密度对在单个突触的临界水平上进行蛋白质定量分析提出了非常大的挑战。目前的工作描述了新的概率图像分析方法,在动物和人类大脑中的突触群体的单突触分析。
2016-11-16 cs.CV q-bio.NC
Memory Recall and Spike Frequency Adaptation
大脑可以从部分数据中重现记忆;这种能力对于记忆回忆至关重要。记忆回忆的过程已经使用自联想网络(如Hopfield模型)进行了研究。这种模型可靠地收敛到包含记忆的存储模式。然而,目前还不清楚大脑如何控制行为,以便在收敛到一种配置后,它可以继续识别另一种配置。在Hopfield模型中,这只有通过有效全球温度的不切实际的变化才能发生,这种变化会使所有存储的配置不稳定。在这里,我们表明,尖峰频率适应(SFA),一种常见的机制,影响神经元激活的大脑,可以提供状态依赖控制的模式检索。我们证明了这一点,在修改后的Hopfield网络,包括SFA,也在生物物理神经元的模型网络。在这两种情况下,SFA允许选择性稳定的吸引子与不同流域的吸引力,也为吸引子切换的时间动态,这是不可能在标准的自联想计划。我们的模型的动力学对不同类型的记忆提取给出了一个合理的解释。
2016-03-14 q-bio.NC
Soliton-like Waves in a Two-Dimensional Recurrent Spiking Neural Network with Weighted Spike-Timing-Dependent Plasticity
本文构建了一个最小生物合理的脉冲神经元模型,通过加权STDP和归一化机制,在二维递归网络中自发产生稳定传播的耗散孤子波,其碰撞湮灭特性可用于编码相对相位和频率。
2026-06-23 cs.NE q-bio.NC
Learning as a phenomenon occurring in a critical state
最近的生理测量提供了关于无标度雪崩脑活动和EEG频谱的明确证据,为这样一个混沌系统如何以受控和可再现的方式学习或响应提供了经典之谜。学习模型,如神经网络或感知器,传统上避免了强烈的波动。相反,我们提出,大脑活动具有系统在临界点的典型特征,代表了学习的关键因素。我们在这里提出了一项研究,提供了新的见解对这个问题的理解。我们的模型能够定量地再现实验观察到的大脑临界状态,同时学习和记忆逻辑规则,包括异或(XOR),这给以前的几次尝试带来了困难。我们实现了一个网络上的拓扑性质接近真实大脑中的功能网络的模型。学习通过突触强度的可塑性适应发生,并表现出普遍特征。我们发现,学习性能和学习所需的平均时间是由塑性适应的强度控制,在某种程度上独立于分配给系统的具体任务。只要可塑性适应足够慢,甚至复杂的规则也可以被学习。
2010-03-05 q-bio.NC
A Network of Biologically Inspired Rectified Spectral Units (ReSUs) Learns Hierarchical Features Without Error Backpropagation
Institute of Natural Sciences, Shanghai Jiao Tong University(上海交通大学自然科学研究院)
ReSUs通过生物启发的结构在无反向传播的情况下学习层次特征,模拟生物视觉系统中的时间滤波器和方向选择性。
2025-12-29 q-bio.NC
Modelling chronic stress as excitation-inhibition perturbation in recurrent working-memory networks
Leibniz Institute for Resilience Research (LIR)(莱布尼茨韧性研究所);Institute for Quantitative and Computational Biosciences (IQCB), Johannes Gutenberg University(约翰内斯·古腾堡大学定量与计算生物学研究所);University Medical Center of the Johannes Gutenberg University(约翰内斯·古腾堡大学医学中心)
通过递归神经网络模拟慢性压力导致的抑制性主导,发现增强的抑制-兴奋突触是核心机制,并揭示弹性训练以牺牲泛化能力为代价维持任务表现。
2026-08-18 q-bio.NC
Internally triggered retrospective learning in neural networks
ASL Napoli 1 Centro, Distretto 27(那不勒斯第一中心卫生局,第27区)
本文提出一种基于内部生成事件的神经网络学习方法,通过内部预测过程和误差度量触发回顾更新,实现参数的稀疏时序调整,减少冗余参数漂移,保留信息模式。
2026-05-09 q-bio.NC q-bio.OT
The Physical Basis of Prediction: World Model Formation in Neural Organoids via an LLM-Generated Curriculum
Department of Computer Science University of Wisconsin-Madison(计算机科学系 威斯康星大学麦迪逊分校)
本文提出利用LLM生成课程在人类神经类器官中形成世界模型的框架,设计三个闭环虚拟环境训练生物智能体并探究突触学习机制,通过多模态评估量化突触可塑性,弥合了强化学习与计算神经科学的鸿沟。
2025-11-04 cs.AI cs.LG cs.NE
Evolving to learn: discovering interpretable plasticity rules for spiking networks
持续的适应使我们能够在不断变化的世界中生存。神经元之间突触耦合强度的调整对这种能力至关重要,使我们有别于简单的硬连线生物。如何在现象学水平上用数学方法描述这些变化,即所谓的“可塑性规则”,对于理解生物信息处理和开发具有认知性能的人工系统都是必不可少的。我们提出了一种自动化的方法,发现生物物理学合理的可塑性规则的基础上定义的任务家庭,相关的性能指标和生物物理的限制。通过发展紧凑的符号表达式,我们确保发现的可塑性规则是服从直观的理解,成功的沟通和人类指导的推广的基础。我们成功地将我们的方法应用到典型的学习场景中,发现了以前未知的从奖励中有效学习的机制,恢复了从目标信号中学习的有效梯度下降方法,并发现了各种功能等效的STDP类规则和调谐的稳态机制。
2021-01-05 q-bio.NC
Diverse Neural Sequences in QIF Networks: An Analytically Tractable Framework for Synfire Chains and Hippocampal Replay
RIKEN Center for Brain Science(理化学研究所脑科学中心);The University of Tokyo(东京大学)
本文提出了一种基于QIF神经元和TAH规则的网络模型,能够稳健地再现多种序列神经活动,包括脉冲链和海马体回放,并通过低维方程揭示其动态特性。
2025-08-08 cs.NE q-bio.NC
Parameter Optimization and Learning in a Spiking Neural Network for UAV Obstacle Avoidance targeting Neuromorphic Processors
Lobula Giant Movement Detector(LGMD)是蝗虫的一个识别神经元,它可以检测到隐约可见的物体并触发昆虫的逃跑反应。理解导致这些快速和鲁棒响应的神经原理和网络结构可以促进机器人应用的有效避障策略的设计。在这里,我们提出了一个神经形态脉冲神经网络模型的LGMD驱动的神经形态动态视觉传感器(DVS),它结合了尖峰频率适应和突触可塑性机制,并可以映射到现有的神经形态处理器芯片的输出。然而,由于该模型的参数范围很广,并且用于实现该模型的混合信号模数电路受到变化性和噪声的影响,因此有必要优化参数以产生鲁棒且可靠的响应。在这里,我们建议使用差分进化(DE)和贝叶斯优化(BO)技术来优化参数空间,并研究使用自适应差分进化(SADE),以改善困难的DE技术找到合适的输入参数。我们量化的性能提出的方法与应用于模型的不同的优化器的全面比较,并证明了使用从安装在无人机上的DVS传感器的记录所提出的方法的有效性。
2019-10-17 cs.ET cs.NE nlin.AO
Neural network spectral robustness under perturbations of the underlying graph
最近的研究一直在使用图论方法来模拟复杂网络(如社会,基础设施或生物网络),以及它们的硬连线电路如何与它们随时间的动态演化相关。理解配置如何反映动态节点系统中的耦合行为可能非常重要,例如在大脑连接体如何影响大脑功能的背景下。然而,大脑网络中出现的连接模式,以及它们对网络动态的个体影响,还远未被完全理解。我们研究了边缘配置和动态之间的连接,在一个简单的定向网络组成的两个相互连接的集团(代表大脑反馈调节电路)。在本文中,我们的主要目标是研究图邻接矩阵和拉普拉斯矩阵的谱,特别关注三个方面:(1)响应于改变模块内和模块间边缘密度的谱的灵敏度/鲁棒性,(2)在保持密度固定的情况下扰动边缘配置对谱的影响,以及(3)增加网络大小的影响。我们研究了一些听话的方面解析,然后模拟更一般的结果数值。本文的目的是澄清,从分析和建模的角度来看,我们的相关工作的基础,这进一步解决了图形属性如何影响网络的时间动态和相变。我们认为,这种类型的结果可能有助于研究小网络,如宏观脑回路。我们建议潜在的应用程序,以了解学习网络中的突触重组,以及网络配置的情绪调节神经回路的功能的影响。
2015-07-16 cs.DM math.CO q-bio.NC