Spike-timing-dependent plasticity and random inputs shape interspike interval regularity of model STN neurons
本研究针对帕金森病相关的STN神经元振荡问题,建模分析随机输入与STDP等突触动力学的相互作用,发现二者共同调控放电模式与脉冲间期规律性,为PD机制及管理提供新见解。
2025-02-21 q-bio.NC
First-spike based visual categorization using reward-modulated STDP
University of Tehran(德黑兰大学);Institute for Research in Fundamental Sciences (IPM)(基础科学研究所(IPM));CNRS(法国国家科学研究中心);Université Toulouse 3(图卢兹第三大学)
强化学习(RL)最近重新流行起来,取得了击败欧洲围棋冠军等重大成就。在这里,我们第一次证明了RL可以有效地用于训练尖峰神经网络(SNN),以在不使用外部分类器的情况下在自然图像中进行对象识别。我们使用了前馈卷积SNN和时间编码方案,其中最强烈激活的神经元首先发射,而较不活跃的神经元稍后发射,或者根本不发射。在最高层中,每个神经元被分配到一个对象类别,并且假设刺激类别是第一个激发的神经元的类别。如果这个假设是正确的,神经元得到奖励,即尖峰时间依赖可塑性(STDP),这加强了神经元的选择性。否则,应用抗STDP,这鼓励神经元学习其他东西。正如在各种图像数据集(加州理工学院,ETH-80和NORB)上所展示的那样,这种奖励调制STDP(R-STDP)方法提取了特别有区别的视觉特征,而经典的无监督STDP提取了任何持续重复的特征。因此,R-STDP在这些数据集上的表现优于STDP。此外,R-STDP适用于在线学习,并且可以适应标签排列等剧烈变化。最后,值得一提的是,特征提取和分类都是用尖峰信号完成的,每个神经元最多使用一个尖峰信号。因此,该网络是硬件友好和节能的。
2018-07-10 cs.CV q-bio.NC
Formation of feedforward networks and frequency synchrony by spike-timing-dependent plasticity
具有非对称学习窗口的尖峰时间依赖可塑性(STDP)通常存在于大脑中,并且对于各种基于尖峰的计算(例如输入滤波和联想记忆)非常有用。STDP的一个自然结果是因果关系的建立,在这个意义上,神经元在特定的突触前神经元被激发之后滞后地学习激发。STDP对同步性的影响是难以捉摸的,因为尖峰同步性意味着不同神经元的单一尖峰事件,而不是神经元之间的因果延迟关系。我们探讨如何同步可以促进STDP在振荡器网络与起搏器。我们表明,STDP与非对称学习窗口导致自组织的前馈网络从起搏器。因此,STDP极大地促进了频率同步。即使由于突触可塑性而减少了尖峰时间的差异,有限的时间滞后仍然存在,使得不能实现完美的尖峰同步。与传统的基于耦合神经元相互作用的大规模同步机制不同,这里发现的同步途径是上游神经元对下游神经元的奴役。这种前馈同步的促进不会发生STDP与对称的学习窗口。
2012-07-12 cond-mat.dis-nn q-bio.NC
Spike Pattern Structure Influences Efficacy Variability under STDP and Synaptic Homeostasis
在神经系统中,突触可塑性通常由脉冲序列驱动。由于神经元、突触和网络的固有噪声,脉冲序列通常表现出空间异质性和时间随机性等外部不可控的变异性,导致突触的变异性,我们称之为效能变异性。具有相同群体率但诱导不同功效变异性的尖峰模式可能导致具有急剧不同的结构和功能的神经元网络。然而,脉冲序列的变异性如何影响疗效变异性仍不清楚。在这里,我们系统地研究了这种影响时,尖峰模式具有四个方面的统计特征,即同步发射,自动时间结构,异质性的利率和异质性的互相关,在尖峰定时依赖可塑性(STDP)后,动态绑定的平均强度的可塑性突触进入或出一个神经元(突触稳态)。然后,我们显示的功能的重要性,疗效变异的编码和维护的连接模式和早期发展的主要视觉系统驱动的视网膜波。我们期望我们的工作为理解神经系统功能过程中突触可塑性和动态锋电位模式之间的相互作用带来一个新的视角。
2015-06-17 q-bio.NC
Exploring vestibulo-ocular adaptation in a closed-loop neuro-robotic experiment using STDP. A simulation study
研究和理解我们的神经系统的计算原语需要一套多样和互补的技术。在这项工作中,我们使用神经机器人平台(NRP)来评估前庭眼小脑适应(Vestibulo-ocular reflex,VOR)由位于小脑分子层和前庭核的两个STDP机制分别介导。这项模拟研究采用了神经科学家广泛使用的实验装置(旋转VOR),以更好地理解某些特定小脑特性(即分布式STDP,神经特性,编码小脑拓扑结构等)的贡献。到r-VOR适应。这项工作提出并描述了一个实施例的解决方案,我们赋予一个模拟的人形机器人(iCub)与尖峰小脑模型的NRP的装置,我们面临的人形的r-VOR任务。结果验证了在感知-动作闭环(r-VOR)中的尖峰小脑模型(具有STDP)的自适应能力,使得模拟的iCub机器人模仿人类行为。
2020-03-03 cs.NE cs.RO q-bio.NC
Stochastic Spike Synchronization in A Small-World Neural Network with Spike-Timing-Dependent Plasticity
我们考虑由阈下神经元组成的Watts-Strogatz小世界网络,该网络表现出噪声诱导的尖峰脉冲。这种神经元网络具有由尖峰定时依赖可塑性(STDP)控制的自适应动态突触强度。在以前的作品没有STDP,随机尖峰同步(SSS)之间的噪声诱导的尖峰的阈下神经元被发现发生在一个范围内的中间噪声强度通过竞争之间的建设性和破坏性的作用的噪声。在这里,我们研究的效果添加剂STDP上的SSS通过改变噪声强度。发现突触可塑性中的“马太”效应的发生是由于正反馈过程。结果,好的同步通过突触强度的长时程增强(LTP)变得更好,而差的同步通过长时程抑制(LTD)变得更差。通过对突触前和突触后瞬时个体发放率(IISR)之间的配对相关性以及突触前和突触后发放时间之间的时间延迟分布的微观研究,深入研究了突触强度的LTP和LTD的出现。此外,与加性STDP的情况相比,还研究和讨论了乘法STDP(这取决于状态)对SSS的影响。
2017-08-14 q-bio.NC
Time-Integrated Spike-Timing-Dependent-Plasticity
本研究提出时间积分型脉冲时间依赖可塑性TI-STDP模型,理论证明其突触调节特性,实验验证其在脉冲神经网络无监督学习中效果优于经典STDP变体,且无需追踪大时间窗口脉冲或维护额外迹变量,为神经形态模型信用分配提供新方案。
2024-07-13 q-bio.NC
STDP and the distribution of preferred phases in the whisker system
大鼠和小鼠用它们的胡须来探测环境。通过有节奏地来回刷胡须,它们可以检测到物体的存在,定位它,并识别它的纹理。定位可以通过推断晶须的位置来完成。节律性神经元跟踪搅拌周期的相位编码信息的方位角位置的晶须。这些神经元的特征在于窄分布的优选放电相位。因此,汇集来自几个上游神经元的节律信号预计会导致下游群体中的优选相位的分布窄得多,然而这还没有被经验地观察到。在这里,我们展示了尖峰时间依赖可塑性(STDP)如何为这个难题提供解决方案。我们研究了STDP对神经元群体的效用的影响,以使用建模研究的框架向下游传输节律信息。我们发现,在广泛的参数范围内,STDP促进了节奏信息的传输,尽管事实上,所有的突触权重保持动态。结果,下游神经元的优选相位不是固定的,而是以取决于优选相位的漂移速度在时间上漂移,从而诱导优选相位的分布。我们进一步分析了STDP规则如何控制下游群体中优选相的分布。STDP规则和优选相分布之间的这种联系构成了对我们理论的自然检验。
2021-04-29 physics.bio-ph q-bio.NC
Effect of Spike-Timing-Dependent Plasticity on Stochastic Burst Synchronization in A Scale-Free Neuronal Network
我们考虑一个兴奋性人口的阈下Izhikevich神经元,不能火自发无噪声。当耦合强度超过阈值时,单个神经元表现出噪声诱导的爆发。这种神经元群体具有由尖峰定时依赖可塑性(STDP)控制的自适应动态突触强度。在没有STDP的情况下,噪声诱导的阈下神经元突发之间的随机突发同步(SBS)以前被发现发生在大范围的中间噪声强度。在这里,我们研究了添加剂STDP对SBS的影响,通过改变噪声强度$D$的Barabási-Albert无标度网络(SFN)的对称优先连接的情况下。这种类型的SFN表现出幂律度分布,因此它变成具有几个“枢纽”的非均匀SFN(即,超级连接节点)。发现突触可塑性中“马太”效应的发生是由于正反馈过程。好的突发同步通过突触强度的长时程增强(LTP)变得更好,而坏的突发同步通过长时程抑制(LTD)变得更糟。因此,通过改变$D$,发生向SBS的阶梯状快速转变,与不存在STDP时相对平滑的转变相反。在添加剂STDP的存在下,我们还研究了网络结构对固定$D$的SBS的影响。突触强度的LTP和LTD的出现详细研究通过微观研究的基础上的前和突触后神经元的爆发开始时间之间的时间延迟的分布和突触前和突触后的IIBR(瞬时个别爆发率)之间的配对相关性。最后,一个乘法STDP的情况下(取决于状态)也进行了研究,在比较添加剂STDP的情况下(独立的状态)。
2017-11-27 physics.bio-ph q-bio.NC
STDP allows close-to-optimal spatiotemporal spike pattern detection by single coincidence detector neurons
通过同时记录多个细胞,电生理学家已经找到了重复时空尖峰模式的证据,这种模式可以携带信息。下游神经元如何提取这些信息尚不清楚。在这篇理论论文中,我们研究在何种程度上一个单一的细胞可以检测到一个给定的尖峰模式,这样做的最佳参数是什么,特别是膜时间常数$τ$。使用具有瞬时突触和均匀泊松输入的泄漏积分和激发(LIF)神经元,我们能够解析地计算此最佳值。我们的研究结果表明,一个相对较小的$τ$(最多几十毫秒)通常是最佳的,即使当模式更长。这有点违反直觉,因为由于其快速的内存衰减,所得到的检测器忽略了大部分模式。接下来,我们想知道是否尖峰时间依赖可塑性(STDP)可以使神经元达到理论上的最佳状态。我们模拟了一个LIF神经元配备了添加剂尖峰时间依赖性增强和稳态率为基础的抑郁症,并反复暴露于一个给定的输入尖峰模式。在以前的研究中,LIF逐渐成为选择性的重复模式,没有监督,即使模式嵌入泊松活动。在这里,我们表明,使用某些STDP参数,所得到的模式检测器可以是最佳的。总的来说,这些结果可以解释人类如何学习重复的视觉或听觉序列。由于符合探测器在更短的时间尺度上工作,长序列可以被识别。这与以下事实一致:如果声音序列被压缩、向后播放或使用10ms的仓进行加扰,则识别仍然是可能的。巧合检测是一种简单而强大的机制,可能是大脑神经元的主要功能。
2017-01-09 cs.NE q-bio.NC
Shaping neural circuits by high order synaptic interactions
发放时间依赖性可塑性(STDP)被认为在神经回路结构的形成中起着重要作用。在这里,我们表明,STDP产生有效的不同神经元的突触之间的相互作用,这是在以前的理论治疗中被忽视,可以被描述为一个总和的贡献结构图案。这些相互作用可以对在STDP影响下出现的连接模式产生关键影响。特别是,我们考虑两种高度有序的结构形式:宽synfire链,其中神经元组依次相互投射,和自连接组件。我们表明,高阶突触相互作用可以使这两种结构的形成,这取决于STDP功能的形式和突触电流的时程。此外,在生物物理参数的一定范围内,有序连接的出现在尖峰神经元的随机网络中鲁棒地且自主地发生,而不需要在学习期间将神经网络暴露于结构化输入。
2016-07-26 q-bio.NC
Storage of phase-coded patterns via STDP in fully-connected and sparse network: a study of the network capacity
我们研究了存储和检索的相位编码模式作为稳定的动态吸引子在循环神经网络,模拟和集成和消防尖峰模型。突触强度由基于尖峰时间依赖性可塑性的学习规则确定,具有取决于突触前和突触后活动之间的相对定时的不对称时间窗。我们存储多个模式并研究网络容量。对于模拟模型,我们发现网络容量与网络规模成线性关系,并且容量和检索状态的振荡频率都取决于学习时间窗口的不对称性。除了全连接网络之外,我们还研究了稀疏网络,其中每个神经元仅连接到少数z << N个其他神经元。连接可以是短距离的,位于规则晶格上的相邻神经元之间,也可以是长距离的,位于随机选择的神经元对之间。我们发现,一小部分的远程连接能够放大网络的容量。这意味着小世界网络拓扑是最佳的,作为长距离连接成本和容量增加之间的折衷。此外,在尖峰整合和火灾模型的存储和检索的多个相位编码模式的关键结果进行了观察。研究了全连接脉冲网络的容量,以及恢复态振荡频率与窗口不对称性的关系。
2010-09-07 q-bio.NC
Emergence and maintenance of modularity in neural networks with Hebbian and anti-Hebbian inhibitory STDP
本研究提出仅基于放电时间的STDP规则模型,无需控制机制即可在尖峰神经网络中涌现稳定模块,Hebbian与anti-Hebbian抑制性亚群分别控制活动与选择性,自发回放巩固长期记忆。
2025-02-18 nlin.AO q-bio.NC
Self-organization of feedforward structure and entrainment in excitatory neural networks with spike-timing-dependent plasticity
发放时间依赖可塑性(STDP)是生物神经网络的一种组织原则。虽然神经元的同步放电被认为是大脑中重要的功能块,但STDP如何使神经网络朝着同步的方向发展还不完全清楚。我们研究了自发放电神经元群体中STDP和同步放电之间的关系。使用耦合的异构相位振荡器放置在初始网络,我们数值表明,STDP修剪一些突触,并促进前馈网络的形成。最终,在前馈网络的根部出现了一个起搏器,它是我们数值模拟中固有频率最快的神经元。在每个振荡周期中,神经活动的包沿着前馈网络的层从起搏器传播到下游神经元。该事件发生在初始突触权重的明确阈值之上。在阈值以下,神经元自组织成单独的集群,每个集群都是前馈网络。
2009-05-20 cond-mat.dis-nn q-bio.NC
Continual One-Shot Learning of Hidden Spike-Patterns with Neural Network Simulation Expansion and STDP Convergence Predictions
University of Adelaide(阿德莱德大学)
本文提出了一种构造性的算法,实现了成功的一次性学习隐藏的尖峰模式在竞争检测任务。先前已经表明(Masquelier等人,2008),尖峰时间依赖性可塑性(STDP)和侧抑制可以导致神经元竞争性地调谐到隐藏在高速率的整体突触前活动中的重复尖峰模式。一次性构建神经元与突触权重计算收敛STDP结果的估计结果在隐藏的尖峰模式的立即选择性检测。连续学习的能力证明了通过成功的一次检测新的一组尖峰模式后,在模拟时间长的间隔。模拟扩展(Lighthearts等人,2013)已经被提出作为开发与生物神经网络的模拟兼容的构造性算法的方法。生物神经网络的模拟可以具有比相关生物神经系统少几个数量级的神经元和连接;因此,模拟的神经网络可以被假设为更大神经系统的子集。建设性的算法开发使用模拟扩展的概念来执行相当于模拟和更大的假设神经系统之间的神经元交换的操作。在更大的神经系统(假设的或存储在存储器中的)内模拟的神经元的动态选择可以是机器学习和生物学模拟中的广泛开发和应用的起点。
2017-08-30 cs.CV q-bio.NC stat.ML
SpykeTorch: Efficient Simulation of Convolutional Spiking Neural Networks with at most one Spike per Neuron
深度卷积脉冲神经网络(SNN)在人工智能(AI)任务中的应用最近引起了人们的极大兴趣,因为SNN是硬件友好且节能的。与非尖峰对应物不同,大多数现有的SNN仿真框架对于大规模AI任务来说实际上不够有效。本文介绍了SpykeTorch,这是一个基于PyTorch的开源高速仿真框架。该框架模拟了卷积SNN,每个神经元最多有一个尖峰,并且采用了秩序编码方案。在学习规则方面,实现了尖峰时间依赖可塑性(STDP)和奖励调制STDP(R-STDP),但其他规则可以很容易地实现。除了上述属性,SpykeTorch是高度通用的,能够复制各种研究的结果。所提出的框架中的计算是基于张量的,完全由PyTorch函数完成,这反过来又带来了在CPU,GPU或多GPU平台上运行的即时优化能力。
2019-07-16 cs.NE q-bio.NC
Short-term and spike-timing-dependent plasticities facilitate the formation of modular neural networks
大脑具有惊人的能力,通过在神经元之间形成新的连接和修剪其他神经元来重组自己。所谓的神经或大脑可塑性有助于在不同的时间尺度上改变大脑的结构和功能。可塑性可能是由于从环境中接收到的外部刺激,在脑损伤恢复期间,或由于身体和大脑本身的修改而发生的。在本文中,我们研究了短期(STP)和尖峰时间依赖性可塑性(STDP)的兴奋性耦合霍奇金-赫胥黎神经元的突触强度的综合效应,并表明可塑性可以促进形成模块化神经网络与复杂的拓扑结构,类似于优先连接属性的网络。特别是,我们使用的STDP规则,改变突触耦合强度的基础上突触后和突触前神经元的尖峰之间的时间间隔。以前的工作表明,STDP可能会导致从高到低频率的尖峰神经元的定向连接的外观。另一方面,STP归因于神经元突触间隙中神经递质的释放,其改变其突触效率。我们的研究结果表明,STP和STDP与高恢复时间的联合作用,促进形成连接的神经元之间的类似的尖峰频率只有,一种优先连接。然后,我们进一步追求这一点,并表明,当从所有到所有的神经配置,取决于STP恢复时间和神经频率的分布,模块化神经网络可以出现作为STP和STDP的组合效果的直接结果。
2019-10-31 nlin.AO physics.bio-ph q-bio.NC
Representation Learning using Event-based STDP
虽然在传统神经网络框架内开发的表示学习方法相对成熟,但开发尖峰表示模型仍然是一个具有挑战性的问题。本文提出了一种基于事件的方法来训练前馈脉冲神经网络(SNN)层以提取视觉特征。该方法引入了一种新的尖峰定时相关的可塑性(STDP)的学习规则和阈值调整规则都来自一个矢量量化的目标函数的稀疏性约束。STDP规则是通过矢量量化标准的梯度获得的,该矢量量化标准被转换为基于尖峰的时空局部更新规则,该规则在泄漏的积分激发(LIF)神经元的尖峰网络中。该模型的独立性和稀疏性是通过阈值调整规则和在由WTA阈值尖峰神经元组成的表示层中实施抑制的softmax函数来实现的。这些机制共同实现了一种基于尖峰的竞争性学习形式。在MNIST和自然图像数据集上进行了两组实验。结果表明,稀疏尖峰视觉表示模型具有低重建损失与国家的最先进的视觉编码方法相媲美,但我们的规则是本地的时间和空间,因此在生物学上合理和硬件友好。
2018-03-09 cs.NE q-bio.NC
Mean-field analysis of a neural network with stochastic STDP
Univ. Bordeaux, CNRS, IMN, UMR 5293(波尔多大学,法国国家科学研究中心,分子与核心理学研究所);Université Côte d’Azur, Inria, CNRS, LJAD(蔚蓝海岸大学,法国国家信息与自动化研究所,法国国家科学研究中心);Université Côte d’Azur, Inria(蔚蓝海岸大学,法国国家信息与自动化研究所)
本研究针对具有随机STDP的神经网络,提出MKV-MF平均场分析方法,将原网络简化为McKean-Vlasov型PDMP,降低计算复杂度并实现对瞬态变化的精确追踪。
2026-08-21 cond-mat.dis-nn math.PR physics.bio-ph
Multiplexing rhythmic information by spike timing dependent plasticity
节律活动与广泛的认知过程有关。以往的研究表明,尖峰时间依赖的可塑性可以促进节奏活动下游的信息处理途径。然而,STDP也被称为产生强大的赢家通吃的相关突触输入的子组之间的竞争。因此,可以预期STDP将引起不同节律性通道之间的强烈竞争,从而防止跨不同频率通道的信息复用。本研究探讨了STDP是否有利于多个频率信道的信息复用,如果是这样,在什么条件下。我们研究了STDP动态模型的框架内,由两个竞争的神经元亚群,突触在一个单一的突触后神经元的前馈方式。假设每个子群体以独立的方式在不同的频带中振荡。为了研究STDP的动力学,在慢学习速率的限制下,发展了平均场Fokker-Planck理论。令人惊讶的是,我们的理论预测了不同子群体之间的有限互动。我们的分析进一步表明,这些通道之间的相互作用主要是介导的平均活动的共享组件。接下来,我们使用数值模拟将这些结果推广到简单模型之外。我们发现,对于广泛的参数,系统收敛到一个解决方案,其中突触后神经元响应两种节奏。然而,所有的突触权重仍然是动态的,并没有收敛到一个固定点。这些发现意味着,STDP可以支持多路复用的节奏信息,并展示了功能如何可以保留在面对所有的突触权重的连续重塑。
2019-11-26 nlin.AO physics.bio-ph q-bio.NC
Synaptic bundle theory for spike-driven sensor-motor system: More than eight independent synaptic bundles collapse reward-STDP learning
Laboratory for Intelligent Systems and Informatics(智能系统与信息学实验室);Department of Mechano-Informatics(机械信息学系);Graduate School of Information Science and Technology(信息科学与技术研究生学校);The University of Tokyo(东京大学)
该研究提出通过调节突触束数量来解决尖峰驱动传感器-运动系统中学习崩溃的问题,揭示了突触束数量与学习成功和失败之间的定量关系。
2026-03-02 cs.AI nlin.AO q-bio.NC
Consciousness Driven Spike Timing Dependent Plasticity
针对传统STDP缺乏意识机制的问题,提出CD-STDP,将LTP/LTD系数与突触当前及过去状态动态关联,并在多个数据集上验证其高精度。
2024-05-04 q-bio.NC
Multicoding in neural information transfer suggested by mathematical analysis of the frequency-dependent synaptic plasticity in vivo
神经信息处理的两个要素已被初步提出:神经元的放电率和发放时间。在突触可塑性中,尽管依赖于突触前和突触后发放时间的发放时间依赖可塑性(STDP)被认为是最常见的规则,但最近的研究表明,大脑在体内对精确发放时间的抑制性是STDP的关键。因此,放电频率在体内突触可塑性中的重要性再次被认识。然而,关于频率依赖性突触可塑性(FDP)在体内是如何调节的,目前还知之甚少。在这里,我们专注于突触前输入模式,细胞内钙衰减时间常数,和背景突触活动,这取决于神经元类型和大脑中的解剖和生理环境。通过分析基于钙的模型,我们发现,突触的重量取决于这些因素的特点在体内,即使神经元接收相同的输入速率。这一发现表明,在FDP,甚至神经编码在体内的输入频率以外的多方面因素的参与。
2020-01-13 q-bio.NC
Potentiation Decay of Synapses and the Length Distributions of Synfire Chains Self-organized in Recurrent Neural Networks
Synfire链被认为是在不同大脑区域和不同物种中观察到的精确定时的尖峰序列的基础。它们是如何形成的还不清楚。在这里,我们分析自组织synfire链通过尖峰定时依赖可塑性(STDP)的突触,轴突重塑,和增强衰减的神经元网络的突触权重驱动的嘈杂的外部输入和显性反馈抑制。增强衰减是突触重量随时间逐渐的、与活动无关的减少。我们发现,增强衰减使一个动态的和统计上稳定的网络连接时,神经元自发尖峰。周期性刺激一个神经元子集会通过随机招募过程形成synfire链,当链连接到自身并形成循环时,synfire链就会终止。我们证明了链长分布依赖于增强衰减。快速增强衰减导致具有宽分布的长链,而缓慢增强衰减导致具有窄分布的短链。我们认为,增强衰减,这对应于早期长时程增强的突触(E-LTP)的衰减,是一个重要的突触可塑性规则,通过STDP调节神经环路的形成。
2013-11-26 q-bio.NC
Coherence resonance and stochastic synchronization in a small-world neural network: An interplay in the presence of spike-timing-dependent plasticity
相干共振(CR)、随机同步(SS)和尖峰时间依赖可塑性(STDP)是生物神经网络中普遍存在的动力学过程。是否存在CR和SS都明显的最佳网络和STDP配置是一个仍然难以捉摸的基本问题。我们希望这样的配置能够使大脑能够协同和最佳地利用这些现象来有效地处理信息。本文研究了一个由可兴奋Hodgkin-Huxley神经元组成的小世界网络,该网络由信道噪声和STDP驱动,具有非对称的Hebbian时间窗。数值结果表明,特定的网络拓扑结构和STDP参数区间,CR和SS可以同时增强。我们的研究结果意味着,一个最佳的调谐固有的背景噪声,STDP规则,和网络拓扑结构可以发挥建设性的作用,在提高时间精度的射击和神经系统的同步。
2023-01-01 nlin.AO q-bio.NC
Spike-Timing Dependent Plasticity Effect on the Temporal Patterning of Neural Synchronization
大脑在休息时的神经同步通常是可变的和间歇性的,因此主要同步活动的间隔被去同步活动的间隔所打断。先前的研究表明,这种时间结构的弱同步活动可能是功能上的显着:许多短的去同步化可能是功能上不同的几个长的去同步化,即使平均同步水平是相同的。在这项研究中,我们使用计算神经科学的方法,研究了在一个简单的模型中,尖峰时间依赖可塑性(STDP)对同步的时间模式的影响。我们采用了一个基于电导的模型神经元的小网络,这些神经元通过兴奋性可塑性突触连接。该网络的动力学进行了先前的实验研究中使用的时间序列分析方法。我们发现,STDP可以改变网络中的同步动力学在几个方面,这取决于可塑性作用的时间尺度上,然而,在一般情况下,STDP在这里考虑的简单网络中的行动是促进动力学与短期的despersonizations(即动力学让人想起在实验研究中观察到的)。细胞和突触动力学的复杂相互作用可能导致突触强度的活动依赖性调节,以这种方式促进实验观察到的间歇同步神经活动中的短暂去极化。
2020-05-18 q-bio.NC q-bio.QM
Robust Rhythmogenesis in the Gamma Band via Spike Timing Dependent Plasticity
在从昆虫到人类的许多动物物种中,都观察到了伽马波段(30- 100 Hz)的节律活动,并且与广泛的认知任务有关。各种实验和理论研究已经调查了这种节奏活动。理论上的努力主要集中在神经元动力学上,假设网络连接满足产生伽马振荡所需的某些微调条件。然而,目前尚不清楚这种微调是如何实现的。在这里,我们调查的假设,尖峰时间依赖性可塑性(STDP)可以提供调整突触连接的基础机制,以产生在伽马波段的节律活动。我们在一项建模研究中解决了这个问题。我们研究了STDP动力学的框架内的兴奋性和抑制性神经元群体,已被认为是产生γ的基础。在慢学习极限下推导了突触权重动力学的平均场Fokker-Planck方程。我们利用这种近似来确定哪种类型的STDP规则驱动系统表现出伽马振荡,并演示了表征可塑性规则的参数如何控制节律活动。最后,我们提出了一种新的机制,可以确保自我发展过程的鲁棒性,在一般情况下,特别是节奏。
2020-07-28 physics.bio-ph q-bio.NC
A Biologically Plausible Supervised Learning Method for Spiking Neural Networks Using the Symmetric STDP Rule
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学);CAS Center for Excellence in Brain Science and Intelligence Technology, Chinese Academy of Sciences(中国科学院脑科学与智能技术卓越创新中心)
脉冲神经网络(SNN)由于基于事件的计算而具有能量有效的潜力。然而,SNN的监督训练仍然是一个挑战,因为尖峰活动是不可区分的。以前的SNN训练方法通常可以分为两个基本类,即,反向传播类训练方法和基于可塑性的学习方法。前一种方法依赖于能量效率低的实值计算和非本地传输,这也是人工神经网络(ANN)所需的,而后者要么被认为是生物学上不可信的,要么表现出很差的性能。因此,SNN的生物学合理(bio-plausible)高性能监督学习(SL)方法仍然存在缺陷。在本文中,我们提出了一种新的生物合理的SNN模型的基础上对称尖峰定时依赖可塑性(sym-STDP)的规则,发现在神经科学的SL。通过将sym-STDP规则与生物合理的突触缩放和动态阈值的内在可塑性相结合,我们的SNN模型很好地实现了SL,并在基准识别任务(MNIST数据集)中取得了良好的性能。为了揭示SL模型的潜在机制,我们在训练后使用t分布随机邻居嵌入(t-SNE)方法可视化了基于层的活动和突触权重,并发现它们被很好地聚类,从而展示了出色的分类能力。此外,为了验证我们模型的鲁棒性,我们在另一个更真实的数据集(Fashion-MNIST)上进行了训练,该数据集也表现出了良好的性能。由于学习规则是生物合理的,并且纯粹基于局部尖峰事件,我们的模型可以很容易地应用于神经形态硬件的在线训练,并可能有助于理解SL信息处理在突触水平上的生物神经系统…
2019-10-06 cs.AI cs.LG cs.NE
Two-trace model for spike-timing-dependent synaptic plasticity
我们提出了一个有效的模型的时间依赖性突触可塑性(STDP)在两个相互作用的痕迹,对应于激活的NMDA受体的分数和Ca2+浓度在树突棘的突触后神经元。该模型旨在弥合现有的简单的现象学规则和高度详细的模型的世界,从而构成一个实用的工具,神经活动和突触可塑性之间的相互作用,在扩展的尖峰神经网络的研究。对于孤立的突触前和突触后尖峰的标准成对STDP规则再现,与适当的参数确定各自的权重和时间尺度的因果和反因果的贡献。该模型包含,否则只有三个自由参数,可以进行调整,以重现三重非线性在海马文化和皮质切片。我们还研究了相关和不相关的尖峰模式从时间依赖性到速率依赖性可塑性的转变。
2014-10-02 q-bio.NC
Emergence of slow collective oscillations in neural networks with spike timing dependent plasticity
研究了具有锋电位时间依赖可塑性(STDP)的兴奋性脉冲耦合神经元的集体动力学。STDP的引入诱导强同步状态和弱同步状态之间的持续不规则振荡,让人想起慢波睡眠期间的大脑活动。我们用一种机制来解释这种振荡,即西西弗斯效应,它是由突触调节和神经放电的一致性之间的连续反馈引起的。由于这种效应,突触权重具有振荡的平衡值,这阻止了系统松弛到稳定的宏观状态。
2013-04-24 cond-mat.dis-nn q-bio.NC
Spike-timing-dependent plasticity with axonal delay tunes networks of Izhikevich neurons to the edge of synchronization transition with scale-free avalanches
在过去的二十年里,临界脑假说在实验和理论神经科学中都得到了广泛的研究。然而,仍然存在一些重要的问题:(1)大脑运作的临界点是什么?(ii)是什么样的调控机制导致并维持了这种临界状态?(iii)临界状态的特点是尺度不变的行为,这似乎是在明确的脑振荡不一致?在这项工作中,我们考虑了一个生物动机的模型Izhikevich神经元网络与化学突触通过尖峰时间依赖可塑性(STDP)以及轴突的时间延迟相互作用。在一般和生理相关的条件下,我们表明,该系统是有组织的,并保持在一个同步过渡点,而不是与吸收状态相变的活动过渡点。然而,这样一个国家表现出实验相关的迹象,包括无标度雪崩的临界动力学与有限大小的缩放以及分支比。虽然系统显示具有高度相关波动的随机振荡,但它也显示被视为功率谱中的尖峰的主导频率模式。STDP的作用以及时间延迟是至关重要的,在实现和维持这种关键的动态,而抑制的作用是不重要的。这样,我们就可以对上述三个问题提供明确的答案。我们还表明,可以实现超临界或亚临界动力学,如果一个改变与轴突传导的平均时间延迟。
2019-07-22 nlin.AO q-bio.NC
Towards a learning-theoretic analysis of spike-timing dependent plasticity
MPI for Intelligent Systems(马克斯·普朗克智能系统研究所);ETH Zurich(苏黎世联邦理工学院);MPI for Biological Cybernetics(马克斯·普朗克生物控制论研究所)
本文提出了一个学习理论的观点如何突触可塑性效益全球大脑功能。我们介绍了一个模型,selectron,(i)出现的泄漏集成和消防配备尖峰时间依赖可塑性(STDP)的神经元的快速时间常数限制和(ii)是服从理论分析。我们表明,选择器编码的奖励估计到尖峰和尖峰上的误差范围是由尖峰利润率和突触权重的总和控制。此外,尖峰的功效(它们对其他奖励最大化选择器的有用性)也取决于总突触强度。最后,基于我们的分析,我们提出了一个正则化版本的STDP,并表明正则化提高了神经元学习的鲁棒性时,面对多个刺激。
2012-09-25 cs.LG q-bio.NC stat.ML
Attractor networks and memory replay of phase coded spike patterns
我们分析了一个循环神经网络的存储和检索能力的发放整合和消防神经元。在该模型中,我们区分学习模式,在此期间,突触连接根据尖峰定时依赖可塑性(STDP)规则变化,和回忆模式,其中连接强度没有更多的塑料。我们的研究结果表明,网络存储和回忆周期性相位编码模式的能力,少量的神经元已被刺激。自我维持的动态选择性地给出与存储的模式之一匹配的振荡尖峰活动,这取决于网络的初始化。
2012-10-25 q-bio.NC
MSTDP: A More Biologically Plausible Learning
在大脑中观察到的尖峰时间依赖性可塑性(STDP)已被证明在生物学习中具有重要意义。另一方面,人工神经网络使用不同的方式来学习,例如反向传播或对比赫布学习。在这项工作中,我们提出了一个新的框架称为mstdp,学习几乎相同的方式生物学习使用,它只使用STDP规则的监督和无监督学习和不需要一个全局损失或其他监督信息。该框架的工作方式类似于自动编码器,使每个输入神经元也成为输出神经元。它可以在一个模型中进行预测或生成模式,而无需额外的配置。我们还带来了一种新的使用动量的迭代推理方法,使框架更有效,可用于训练和测试阶段。最后,我们在MNIST数据集上验证了我们的分类和生成任务的框架。
2021-06-09 cs.LG cs.NE q-bio.NC
Effects of the spike timing-dependent plasticity on the synchronisation in a random Hodgkin-Huxley neuronal network
在本文中,我们研究了在一个网络的霍奇金-赫胥黎神经元同步的影响,尖峰时间依赖的可塑性。神经元可塑性是神经元及其网络暂时或永久改变其生化、生理和形态特征以适应环境的灵活特性。关于可塑性,我们考虑赫布规则,特别是尖峰时间依赖可塑性(STDP),而对于网络,我们认为连接是随机分布的。我们根据输入水平和连接的概率来分析同步和去同步。此外,我们验证了同步的过渡取决于神经网络的结构,和外部扰动水平。
2015-03-07 nlin.CD q-bio.NC
Long-term memory stabilized by noise-induced rehearsal
尽管突触强度的寿命很短,但皮层网络可以保持数十年的记忆。神经网络能在不稳定的突触中存储持久的记忆吗?在这里,我们研究随机噪声对存储在吸引子神经网络的突触中的记忆的稳定性的影响。该模型包括持续的尖峰时间依赖可塑性(STDP)。我们表明,某些类的STDP规则可以导致存储在网络中的记忆模式的稳定。这种稳定性是由噪声引起的排练造成的。我们发现,非结构化的神经噪声,通过经常性的网络权重后,进行时间相关性的所有记忆模式的印记。在某些条件下,STDP与这些相关性相结合,可以导致所有现有模式的强化,即使是那些从未明确访问过的模式。因此,非结构化神经噪声可以稳定突触连接的现有结构。我们的研究结果可能提供功能的原因,高度不规则的尖峰显示皮层神经元和系统记忆巩固模型提供的理由。因此,我们提出不规则的神经活动是帮助皮层网络维持稳定连接的特征。
2012-05-31 cond-mat.dis-nn q-bio.NC
Turn Down that Noise: Synaptic Encoding of Afferent SNR in a Single Spiking Neuron
我们已经添加了一个简化的神经形态模型的尖峰时间依赖可塑性(STDP)的突触树突核适应神经元(SKAN)。由此产生的神经元模型是第一个显示除了时空尖峰模式的无监督学习之外的传入信噪比的突触编码。神经元模型特别适合于在数字神经形态硬件中实现,因为它不使用任何复杂的数学运算,并且使用新颖的方法来实现突触稳态。神经元噪声补偿特性的特点和测试噪声损坏的零数字的MNIST手写数据集。结果表明,同时学习的共同模式,在其输入数据,同时动态加权的基础上,他们的信噪比个别传入通道。尽管它很简单,但神经元模型的有趣行为和由此产生的计算能力可能会提供对生物系统的见解。
2014-11-11 cs.NE q-bio.NC
The role of gain neuromodulation in layer-5 pyramidal neurons
Neural Circuits Laboratory, Biosciences Institute, Faculty of Medical Sciences, Newcastle University(神经回路实验室、生物科学学院、医学科学学院、新castle大学);Brain and Mind Center, The University of Sydney(脑与心智中心、悉尼大学);Center for Complex Systems, The University of Sydney(复杂系统中心、悉尼大学);IT:U Interdisciplinary Transformation University Austria(奥地利 interdisciplinary transformation university Austria);International Research Center for Neurointelligence, The University of Tokyo(神经智能国际研究中心、东京大学);Department of Anatomy, University of Quebec in Trois-Rivieres(解剖学系、魁北克三河大学);Theoretical Sciences Visiting Program (TSVP), Okinawa Institute of Science and Technology Graduate University(理论科学访问计划(TSVP)、冲绳科学技术大学院大学)
针对可塑性-稳定性困境,本文构建双室Izhikevich模型,揭示第五层锥体神经元通过神经调节增益控制实现簇发放电与STDP加速,从而作为双时间尺度优化机制调节突触权重更新。
2025-07-11 cs.AI q-bio.NC
Pendulum Model of Spiking Neurons
本研究提出基于阻尼受驱摆动力学的生物启发式脉冲神经元模型,具备二阶非线性动力学特性,支持时序敏感计算,扩展至STDP规则的多神经元层,给出代码与神经形态硬件部署方案,为能效神经计算系统提供基础。
2025-07-29 cs.NE q-bio.NC
Spatial representation of temporal information through spike timing dependent plasticity
我们提出了一种基于突触发放时间依赖可塑性(STDP)的时间序列存储、提取和预测机制。该机制在简化的整合-激发型神经元通过STDP突触紧密连接的模型系统中得到证实。所有的突触都是根据在各种真实生物突触中观察到的所谓正常STDP规则进行修饰的。在通过有限数量的时间序列的重复输入进行调节之后,系统能够在接收到它们的一部分的输入时完成时间序列。这是一个在生物现实系统中有效的无监督学习的例子。我们调查的依赖学习成功的夹带时间,系统的大小和存在的噪声。可能的应用包括运动序列的学习、视觉和听觉系统中的时间感觉信息的识别和预测以及昆虫嗅觉系统中的后期处理。
2003-08-14 cond-mat.dis-nn nlin.AO physics.bio-ph
Dynamical Mechanisms for Coordinating Long-term Working Memory Based on the Precision of Spike-timing in Cortical Neurons
Computational Neurobiology Laboratory, Salk Institute for Biological Sciences(计算神经生物学实验室,萨尔克生物科学研究所);Department of Neurobiology, University of California, San Diego(神经生物学系,加州大学圣地亚哥分校)
研究提出皮层神经元中存在与传统感觉运动层并存的第二层神经活动,通过脉冲时间精度协调长期工作记忆,探讨了突触可塑性与皮层网络在认知处理中的作用。
2026-07-29 cs.AI q-bio.NC
A memristive nanoparticle/organic hybrid synapstor for neuro-inspired computing
一个大的努力致力于研究新的计算范式与创新的纳米技术,应该补充和/或提出替代解决方案的经典冯诺依曼/CMOS协会。在众多的命题中,尖峰神经网络(SNN)似乎是一个有效的候选者。(i)在功能方面,使用相对尖峰定时进行信息编码的SNN被认为是最有效的,可以从大脑中获得灵感,以便快速有效地处理识别或分类中复杂任务的信息。(ii)在技术方面,SNN可能能够从纳米器件中获益最多,因为SNN架构本质上可以容忍有缺陷的器件和性能变化。在这里,我们展示了尖峰定时依赖可塑性(STDP),大脑中的一种基本和原始的学习功能,具有一类新的突触(突触晶体管),称为纳米粒子有机记忆场效应晶体管(NOMFET)。我们表明,这种学习功能是由一个简单的混合材料制成的自组装的金纳米粒子和有机半导体薄膜。除了模仿生物突触之外,我们还展示了所应用的尖峰的形状如何定制STDP学习功能。此外,实验和建模表明,该突触器是一个忆阻器件。最后,这些突触成功地耦合到一个CMOS平台上模拟的前和后突触神经元,并在通常的设备模拟器上开发的行为宏模型。
2011-12-14 cond-mat.dis-nn cond-mat.mes-hall cond-mat.mtrl-sci
Memory via Temporal Delays in weightless Spiking Neural Network
Tufts University(塔夫茨大学);University of Massachusetts, Amherst(马萨诸塞大学阿默斯特分校)
神经科学界的一个共同观点是,记忆是由神经元之间的连接强度编码的。这种认知导致人工神经网络模型将连接权重作为调节学习的关键变量。在本文中,我们提出了一个原型的无重量脉冲神经网络,可以执行一个简单的分类任务。该网络中的记忆存储在神经元之间的时间中,而不是连接的强度,并且使用Hebbian Spike Timing Dependent Plasticity(STDP)进行训练,该训练调节连接的延迟。
2022-02-15 cs.AI cs.LG cs.NE
Bio-plausible Unsupervised Delay Learning for Extracting Temporal Features in Spiking Neural Networks
神经元之间传导延迟的可塑性在学习中起着重要作用。然而,大脑中这种调制的确切潜在机制仍然是一个悬而未决的问题。了解突触延迟的精确调整可以帮助我们开发有效的大脑启发的计算模型,提供与实验证据一致的见解。在本文中,我们提出了一个无监督的生物合理的学习规则调整突触延迟脉冲神经网络。然后,我们提供了一些数学证明,表明我们的学习规则赋予神经元学习重复时空模式的能力。此外,应用基于STDP的脉冲神经网络配备我们提出的延迟学习规则的随机点运动图的实验结果表明,所提出的延迟学习规则在提取时间特征的有效性。
2020-11-18 cs.NE q-bio.NC
BioLCNet: Reward-modulated Locally Connected Spiking Neural Networks
Politecnico di Torino(都灵理工大学);University of Tehran(德黑兰大学);The University of Edinburgh(爱丁堡大学);Shahid Beheshti University(沙希德·贝赫什提大学)
脑启发计算和信息处理以及与神经形态硬件的兼容性使得脉冲神经网络(SNN)成为解决机器学习(ML)中学习任务的一种有前途的方法。尖峰神经元只是构建生物合理学习模型的要求之一。网络架构和学习规则是开发此类人工代理时要考虑的其他重要因素。在这项工作中,受人类视觉通路和多巴胺在学习中的作用的启发,我们提出了一个奖励调制的局部连接脉冲神经网络,BioLCNet,视觉学习任务。为了从泊松分布的尖峰序列中提取视觉特征,我们使用了与权重共享的卷积滤波器相比更类似于生物视觉系统的局部滤波器。在解码层,我们应用了基于峰值人口的投票方案来确定网络的决策。我们采用尖峰时间依赖可塑性(STDP)学习的视觉特征,其奖励调制的变体(R-STDP)的基础上的奖励或惩罚反馈信号训练解码器。为了评估,我们首先评估了我们的奖励机制的鲁棒性,以不同的目标反应在一个经典的条件反射实验。之后,我们评估了我们的网络在MNIST和XOR MNIST数据集的图像分类任务上的性能。
2022-07-07 cs.CV cs.LG cs.NE
Learning Internal Biological Neuron Parameters and Complexity-Based Encoding for Improved Spiking Neural Networks Performance
本研究提出了一种基于生物神经元参数和复杂度的SNN学习方法,通过优化内在动态提升分类准确率和效率。
2026-03-02 cs.AI cs.NE q-bio.NC
High-parallelism Inception-like Spiking Neural Networks for Unsupervised Feature Learning
Sun Yat-sen University(中山大学);The University of Sydney(悉尼大学)
脉冲神经网络(SNN)是受大脑启发的、事件驱动的机器学习算法,在生产超高能效硬件方面得到了广泛认可。在现有的神经网络中,基于突触可塑性的无监督神经网络,特别是尖峰时间依赖可塑性(STDP),被认为在模仿生物大脑的学习过程中具有很大的潜力。然而,现有的基于STDP的SNN在受限的学习能力和/或缓慢的学习速度方面具有限制。大多数基于STDP的SNN采用缓慢学习的全连接(FC)架构,并使用次优的基于投票的方案进行尖峰解码。在本文中,我们克服了这些局限性:1)设计了一个高并行网络结构,灵感来自于人工神经网络(ANN)的初始模块; 2)使用全民投票(VFA)解码层作为标准的基于投票的尖峰解码方案的替代,以减少尖峰解码中的信息损失,以及,3)提出了一种自适应复极(重置)机制,通过增强尖峰活动来加速SNN的学习。我们在两个已建立的基准数据集上的实验结果(MNIST/EMNIST)的结果表明,与广泛使用的FC架构和更先进的本地连接(LC)架构相比,我们的网络架构具有更出色的性能,并且我们的SNN与最先进的无监督SNN相比取得了有竞争力的结果(在MNIST/EMNISE数据集上的准确率为95.64%/80.11%),同时具有卓越的学习效率和对硬件损坏的鲁棒性。我们的SNN仅用数百次训练迭代就实现了很高的分类精度,大量突触或神经元的随机破坏只会导致微不足道的性能下降。
2021-03-09 cs.LG cs.NE q-bio.NC