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
Decorrelation of neural-network activity by inhibitory feedback
锋电位序列集合中的相关性通过其时空结构严重损害了信息的编码。有限神经网络中的相关性的一个不可避免的来源是成对神经元的共同突触前输入。最近的理论和实验研究表明，在循环神经网络的尖峰相关性是相当小的比预期的基础上共享突触前输入的量。通过一个线性网络模型和泄漏的集成和消防神经元网络的模拟，我们表明，共享输入相关性抑制反馈有效地抑制。为了阐明反馈的影响，我们比较了完整的经常性网络和系统的反馈通道的统计数据被扰动的反应。抑制性反馈对脉冲串相关性和群体速率波动的抑制作用在纯抑制性网络和兴奋-抑制性网络中都可以观察到。这种效应可以用线性理论充分理解，并且在总体平均活性的宏观水平上已经变得明显。在微观层面上，共享输入相关性被尖峰脉冲串相关性所抑制：在纯抑制网络中，它们被负尖峰脉冲串相关性所抵消。在兴奋-抑制网络中，尖峰脉冲串的相关性通常是正的。在这里，输入相关性的抑制并不仅仅是兴奋性（E）和抑制性（I）神经元之间存在相关性的结果，而是三种可能的配对（EE，EI，II）之间的特定相关性结构的结果。
2012-05-16 physics.bio-ph q-bio.NC
A correlation game for unsupervised learning yields computational interpretations of Hebbian excitation, anti-Hebbian inhibition, and synapse elimination
从实验研究中，我们对生物突触的可塑性有了很多了解。赫布可塑性由突触前和突触后神经元的相关活动驱动。汇聚到同一个神经元上的突触通常表现得好像它们在竞争一个固定的资源;一些在竞争中幸存下来，而另一些则被淘汰。为了提供这些方面的突触可塑性的计算解释，我们制定无监督学习作为一个零和游戏之间的赫布兴奋和反赫布抑制的神经网络模型。这个游戏形式化了一种直觉，即赫布激励试图最大化神经元与其输入的相关性，而反赫布抑制试图使神经元彼此去相关。我们还包括一个模型的突触竞争，这使得一个神经元，以消除所有的连接，除了那些从它的最强相关的输入。通过实证研究，我们表明，这有利于学习的感官功能，类似的部分对象。
2017-04-03 cs.NE q-bio.NC
The role of synaptic facilitation in coincidence spike detection
使用一个现实的模型的活动依赖的动态突触和一个标准的集成和消防神经元模型，我们研究，分析和数值，条件下，一个突触后神经元有效地检测到的尖峰到达一定的频率从N个不同的传入时间重合。我们扩展了以前的工作，只考虑突触抑制作为最重要的机制，通过突触的信息传递，更一般的情况下，包括突触促进。我们的研究表明：1）易化增强了对来自突触前兴奋性神经元子集的相关信号的检测，在该子集之间具有不同程度的相关性，以及2）易化的存在允许更好地检测放电速率变化。最后，我们还观察到，促进决定了存在一个最佳的输入频率，允许最佳性能的神经元放电阈值的宽（最大）范围。该最佳频率可以通过促进参数来控制。
2006-05-03 q-bio.NC
Learning with precise spike times: A new decoding algorithm for liquid state machines
有大量证据表明，生物神经网络在神经元产生和传输的尖峰的精确定时中编码信息，这提供了基于速率的编码的几个优点。在这里，我们采用矢量空间制定的脉冲序列序列，并引入一个新的液态机（LSM）网络架构和一个新的前向正交回归算法学习的输入输出信号映射或解码的大脑活动。该算法使用精确的尖峰时间来选择与每个学习任务相关的突触前神经元。我们表明，使用精确的尖峰定时训练的LSM和选择读出神经元导致显着增加的性能上的二进制分类任务，以及在解码神经活动从多电极阵列记录，相比，使用标准的架构和训练方法。
2019-07-13 q-bio.NC
Condition Integration Memory Network: An Interpretation of the Meaning of the Neuronal Design
了解神经系统的基本运作逻辑对推进神经科学研究至关重要。然而，尽管在过去几十年中收集了大量关于大脑的经验数据，但缺乏解决这一基本问题的理论努力。为了解决这一缺点，本文介绍了一个假设的框架的功能性质的原始神经网络。它分析了神经元和突触的活动可以象征性地再现世界的动态变化，从而实现自适应行为系统的想法。更重要的是，网络在不参与算法结构的情况下实现了这一点。当神经元的激活代表环境中的某种符号元素时，它的每个突触都可以指示元素及其未来状态的潜在变化。突触连接的功效进一步指定了元素对这种变化的特定概率或贡献。当它被激发时，神经元的激活被转换到它的突触后目标，导致所代表的元素的时间顺序移位。由于神经元中求和的固有功能整合了各种突触前贡献，因此神经网络模仿了所观察环境中事件的集体因果关系。
2021-09-06 cs.NE q-bio.NC
Predicting non-linear dynamics by stable local learning in a recurrent spiking neural network
本文提出了一种监督学习方案，用于循环脉冲神经网络中前馈和循环连接的权重学习，通过反馈误差和局部学习规则实现稳定学习，展示了线性、非线性及混沌动力学的学习能力。
2017-04-26 cs.LG cs.NE cs.SY
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
Speed of synchronization in complex networks of neural oscillators Analytic results based on Random Matrix Theory
我们分析了网络的尖峰神经振荡器的动力学。首先，我们提出了一个精确的线性稳定性理论的同步状态的任意连通网络。对于一般的神经元上升函数，稳定性是由多个算子决定的，标准的分析是不合适的。我们描述了一个一般的非标准解决方案的多运营商的问题。随后，我们推导出一类上升的功能，所有的稳定运营商成为退化和标准的特征值分析成为一个合适的工具。有趣的是，这个类被发现由泄漏整合和火灾神经元的网络组成。对于抑制性积分和激发神经元的随机网络，我们然后开发了一种分析方法，基于随机矩阵理论，以精确地确定特征值分布。这就产生了渐近松弛时间的扰动同步状态，提供了特征的时间尺度上，神经元可以协调他们的活动在这样的网络。对于具有有限入度的网络，即每个神经元的突触前输入数量有限，我们发现协调尖峰活动的速度限制：即使具有任意强的相互作用强度，神经元也不能比典型入度确定的某个最大速度更快地同步。
2005-10-25 cond-mat.dis-nn q-bio.NC
Mean Time-to-Fire for the Noisy LIF Neuron - A Detailed Derivation of the Siegert Formula
当受到大量类泊松突触前电流输入尖峰的刺激时，泄漏的整合和激发（LIF）神经元的胞体膜电位$V(t)$的时间动力学通常在扩散极限下建模，并被视为Ornstein-Uhlenbeck过程（OUP）。当电位达到阈值$θ$、$V(t) = θ$时，LIF神经元激发，并且膜电位被重置为静息值$V_0 < θ$，并且在指定的（非随机的）绝对不应期$T_r \ge 0$内钳位到该值，之后重复该循环。触发之间的时间由随机变量$T_f = T_r+ T$给出，其中$T$是在膜电位钳的“松开”和神经元的下一个后续触发之间经过的随机时间。平均放电时间$\widehat{T}_f = \text{E}(T_f) = T_r + \text{E}(T) = T_r + \widehat{T}$提供了神经元平均放电率\[ ρ= \widehat{T}_f^{-1} = \frac{1}{T_r + \widehat{T}} . \]的测量值$ρ$。本文简要讨论了OUP模型的某些方面，并推导出Siegert公式，该公式给出了放电率$ρ= ρ(I_0)$作为注入电流$I_0$的函数。这是一个著名的经典结果，并没有要求独创性。在本报告中给出的射击率的推导，密切遵循加德纳在教科书中概述的推导，最大限度地减少了所需的数学背景，并在一些教学细节中完成，以方便研究生和其他新的学科学习。加德纳的前五章中所介绍的材料的知识应该…
2015-01-16 q-bio.NC
The effect of heterogeneity on decorrelation mechanisms in spiking neural networks: a neuromorphic-hardware study
高级脑功能，如记忆，分类或推理，可以通过简化模型神经元的递归网络来实现。模拟神经形态硬件构成了用于在技术应用和神经科学研究中实现这种神经计算架构的快速且节能的基底。神经网络的功能性能通常严重依赖于神经活动中的相关性水平。在有限网络中，由于共享的突触前输入，相关性通常是不可避免的。最近的理论研究表明，生物神经网络中大量存在的抑制性反馈可以主动抑制这些共享输入相关性，从而使神经元几乎独立地放电。对于尖峰神经元的网络，抑制反馈的去相关效应到目前为止已经明确地证明了只有线性亚阈值动力学的同质神经元网络。然而，理论表明，这种效应是一种普遍现象，存在于任何具有足够抑制反馈的系统中，与网络结构或神经元和突触特性的细节无关。在这里，我们研究网络异质性的影响，在稀疏的，随机网络的抑制性神经元与非线性，基于电导的突触的相关性。模拟神经形态硬件系统Spikey上的这些网络的仿真，使我们能够测试的效率去相关抑制反馈中存在的硬件特定的异质性。硬件基板的可配置性使我们能够以系统的方式调节异质性的程度。我们选择性地研究了共享输入和循环连接对膜电位和脉冲序列相关性的影响。我们的结果证实...
2016-06-09 q-bio.NC
Wave to pulse generation. From oscillatory synapse to train of action potentials
当神经元达到在突触后神经元产生动作电位所需的电压时，神经元具有将信息从突触前终端树突处的数字信号转换为突触间隙处的模拟波并转换回数字脉冲的能力。本研究的主要问题是什么过程产生的振荡波信号在突触间隙和什么是这种现象的最佳模型。在这里，它提出了一个模型的突触作为一个振荡系统能够同步考虑到信息的保存，因此在内部的突触间隙的频率。动作电位序列当然会编码并沿着神经系统传递信息，但大多数时候神经元并不传递动作电位，99%的神经元处于阈下状态，只有小信号，没有能量发出动作电位，携带着大部分信息。所提出的突触模型，平滑动作电位的训练并保持其频率。突触在这里被呈现为由通过干涉测量法变换的输入波组成的系统。波的集体突触干扰模式将反映密度波突触功能的最大振幅的点是“粒子”的位置，在我们的情况下动作电位，具有其最高的概率。
2018-10-18 nlin.AO physics.bio-ph 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
Simulating leaky integrate and fire neuron with integers
Leaky integrate and fire（LIF）神经元代表用于数值模拟的标准神经元模型。泄漏在模型中实现为跨膜电压向其静息值的指数衰减。这使得在仿真过程中不可避免地要用到机器浮点数。众所周知，机器浮点运算受到小的不准确性的影响，这妨碍了浮点量的精确比较。特别是，决定由LIF神经元组成的模拟系统的两个独立的时间状态是否完全相同是不正确的。然而，这种类型的决定是必要的，例如，图中的混响网络的周期性动态制度。在这里，我们提供了一个LIF神经元的模拟范例，其中神经元状态由整数描述。在这种范式中，LIF神经元的行为与标准浮点模拟LIF完全相同，尽管状态的精确比较变得正确定义。
2015-05-25 q-bio.NC
Auto and crosscorrelograms for the spike response of LIF neurons with slow synapses
在噪声存在下，简单但现实的神经元模型的响应特性的分析描述仍然缺乏。我们完全确定了一个单一的和一对泄漏的积分和消防神经元（LIF）接收一些常见的缓慢过滤的白噪声的发射统计的二阶。特别是，自相关和互相关函数的输出脉冲序列的细胞对的绝热近似\cite{Mor+04}中引入的改进。这两个函数定义了神经元之间的放电变异性和放电同步性，对于理解神经元之间的通信具有重要意义。
2007-10-11 physics.bio-ph 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
Optimal stimulation protocol in a bistable synaptic consolidation model
响应于神经活动的突触变化的巩固被认为是在数小时的时间尺度上维持记忆的基础。在实验中，可以通过反复刺激突触前神经元来诱导突触巩固。然而，这种协议的有效性关键取决于刺激的重复频率和机制，导致这种复杂的依赖性是未知的。在这里，我们提出了一个简单的数学模型，使我们能够系统地研究刺激协议和突触巩固之间的相互作用。我们表明，存在最佳的刺激方案，我们的模型，类似于LTP实验，刺激的重复频率在实现巩固中起着至关重要的作用。我们的研究结果表明，复杂的依赖LTP的刺激频率自然出现的模型，它只满足最低的双稳态要求。
2018-05-25 q-bio.NC
FNS: an event-driven spiking neural network simulator based on the LIFL neuron model
当今计算机的处理能力和内存的限制使得基于神经元的（人类）全脑模拟不可避免地以生物相容性和计算成本之间的折衷为特征。它转化为由减少数量的神经元和简化的神经元数学模型组成的大脑模型，从而导致寻找新的模拟策略。利用类脑计算的稀疏性，事件驱动技术可以实现大规模脉冲神经网络（SNN）的高效仿真。最近的Leaky Integrate-and-Fire with Latency（LIFL）尖峰神经元模型是事件驱动兼容的，并表现出一些真实的神经元特征，为大脑建模开辟了新的途径。在本文中，我们介绍FNS，第一个基于LIFL的尖峰神经网络框架，它结合了尖峰/突触神经建模与事件驱动的方法，使我们能够定义异构神经元模块和多尺度连接延迟连接和可塑性突触。为了允许多线程实现一个新的并行化策略也被引入。本文介绍了FNS的数学模型、软件实现和仿真程序。最后，一个大脑子网络的基础上，真正的大脑结构数据建模，并得到模拟活动与相关的脑功能（源-空间MEG）数据进行比较，表现出良好的匹配模型和实验数据的活动之间。这项工作旨在为未来基于事件驱动的个性化大脑模型奠定基础。
2020-07-16 q-bio.NC
An Accelerated LIF Neuronal Network Array for a Large Scale Mixed-Signal Neuromorphic Architecture
我们提出了一个阵列的泄漏积分和消防（LIF）神经元电路设计的第二代BrainScaleS混合信号65纳米CMOS神经形态硬件。神经元阵列嵌入在按比例缩小的原型CANANN-DLS芯片的模拟网络核心中。作为连续时间电路设计，神经元是具有加速动态特性的高度可调和可重构元件。每个神经元整合来自大量传入突触的输入电流，并唤起数字尖峰事件输出。该电路为突触和膜时间常数以及不应期提供了广泛的调谐范围，以覆盖许多计算模型。我们阐明我们的设计方法，底层电路设计，校准和测量结果，从各个子电路跨多个模具。电路动态与LIF数学模型的行为相匹配。我们进一步展示了一个赢家通吃网络的原型芯片作为一个典型的元素皮层处理。
2018-05-23 cs.ET physics.bio-ph physics.comp-ph
Effects of random inputs and short-term synaptic plasticity in a LIF conductance model for working memory applications
工作记忆（Working Memory，WM）是一种用于暂时存储信息的加工记忆，在各种认知任务的执行中发挥着重要作用。最近的研究表明，WM中的信息不仅通过持续的重复活动来维持，而且可以在活动沉默状态下储存，例如在短期突触可塑性（STSP）中。受STSP机制在WM中的重要应用的启发，本工作的主要重点是分析随机输入对STSP下的泄漏整合和激发（LIF）突触电导神经元的影响。此外，脉冲序列的不规则性可以携带关于神经元中的先前刺激的信息。具有多个输入和峰间间期（ISI）的变异系数（CV）的LIF电导神经元可以产生输出解码神经元。我们的数值结果表明，在随机输入电流和随机不应期的标准偏差的增加，可以导致增加的不规则性的脉冲序列的输出神经元。
2022-05-10 q-bio.NC
Contribute to balance, wire in accordance: Emergence of backpropagation from a simple, bio-plausible neuroplasticity rule
Johns Hopkins University（约翰斯·霍普金斯大学）
针对反向传播（BP）的生物合理性争议，提出一种基于E-I平衡和逆行信号、在三个时间尺度运行的神经可塑性规则，数学证明其可精确复制分层网络BP，模拟显示能诱导不同群落结构，为BP的生物实现提供框架。
2025-04-14 cs.LG cs.NE q-bio.NC
Temporal Coding in Spiking Neural Networks with Alpha Synaptic Function: Learning with Backpropagation
Google Research（谷歌研究院）
个体神经元尖峰的时间对于生物大脑对感官刺激做出快速反应至关重要。然而，传统的人工神经网络缺乏生物网络中存在的内在时间编码能力。我们提出了一个脉冲神经网络模型，编码信息的相对时间的个别神经元尖峰。在分类任务中，网络的输出由输出层中的第一个神经元指示。这种时间编码方案允许监督训练的网络与反向传播，使用局部精确的衍生物的突触后尖峰时间相对于突触前尖峰时间。该网络使用生物学上合理的α突触传递函数进行操作。此外，我们使用可训练的同步脉冲来提供偏置，增加训练期间的灵活性并利用alpha函数的衰减部分。我们表明，这样的网络可以成功地训练噪声布尔逻辑任务和MNIST数据集编码的时间。结果表明，脉冲神经网络的性能优于MNIST上的同类脉冲模型，并实现了类似的质量完全连接的传统网络具有相同的架构。我们还发现，尖峰网络自发地发现了两个操作机制，反映了人类决策中观察到的准确性-速度权衡：一个缓慢的机制，在所有隐藏的神经元都尖峰之后做出决定，准确性非常高，一个快速的机制，决策非常快，但准确性较低。这些结果证明了具有生物特征的尖峰网络的计算能力，这些生物特征在单个神经元的时序中编码信息。通过研究尖峰网络中的时间编码，我们的目标是为节能和更复杂的生物启发神经架构创建构建模块。
2020-11-16 cs.LG cs.NE q-bio.NC
Probabilistic inference in discrete spaces can be implemented into networks of LIF neurons
皮层神经网络能够有效解决推理问题的方法仍然是计算神经科学中的一个悬而未决的问题。最近，贝叶斯计算的神经回路的抽象模型已经提出，但他们缺乏一个机械的解释，在单细胞水平。在这篇文章中，我们描述了一个完整的理论框架，用于构建泄漏积分和激发神经元网络，这些神经元可以从二进制随机变量的任意概率分布中进行采样。我们测试我们的框架模型推理任务的基础上的心理物理现象（Knill-Kersten视错觉），并进一步评估其性能时，应用于随机生成的分布。由于网络执行的局部计算强烈依赖于神经元之间的相互作用，我们比较了由单个突触或神经元间链介导的几种类型的耦合。由于其对基板缺陷（如参数噪声和背景噪声相关性）的鲁棒性，我们的模型对于在新颖的神经启发计算架构上实现特别有趣，从而可以作为解决现实世界推理问题的快速，低功耗基板。
2015-02-22 q-bio.NC
The Morris-Lecar neuron model embeds a leaky integrate-and-fire model
我们证明了随机Morris-Lecar神经元在其稳定点附近可以近似为二维Ornstein-Uhlenbeck（Ornstein-Uhlenbeck）调制的恒定圆周运动。相关的径向反射过程是发射前的泄漏积分和发射（LIF）模型的一个例子。一个新的模型构造从一个径向的放电过程，以及一个简单的发射机制的基础上详细的莫里斯-Lecar发射统计再现的莫里斯-Lecar峰间间期（ISI）分布，并具有计算优势的LIF。结果证明了大量的关注LIF模型。
2011-07-30 math.PR q-bio.NC
Effects of noise on leaky integrate-and-fire neuron models for neuromorphic computing applications
人工神经网络（ANN）已被广泛用于描述生物系统中出现的问题，并用于构建神经形态计算模型。第三代人工神经网络，即尖峰神经网络（SNN），受生物神经元的启发，能够更逼真地模拟人脑。这些领域的一大类问题的特征在于需要通过集成和激发神经元模型来处理神经元、尖峰和突触的组合。受神经元的积分和点火在生物医学研究中的神经形态计算中的重要应用的启发，目前工作的主要重点是分析加性和乘性类型的随机输入电流以及随机不应期对泄漏积分和点火（LIF）突触神经元电导模型的影响。我们的分析是通过朗之万随机动力学在一个数值设置描述细胞膜电位。我们提供的模型的细节，以及有代表性的数值例子，并讨论了噪声的影响的膜电位的时间演化以及在LIF突触电导模型仔细检查神经元的尖峰活动。此外，我们的数值结果表明，在LIF突触传导系统中的随机不应期的存在下，可能会大大影响输出神经元的脉冲序列的不规则性增加。
2022-05-18 q-bio.NC
Quantized Context Based LIF Neurons for Recurrent Spiking Neural Networks in 45nm
University of California, Santa Barbara（加州大学圣巴巴拉分校）
本研究首次在45nm硬件上实现了基于上下文的循环脉冲神经网络，提出量化版CLIF神经元（qCLIF），通过软硬件协同设计在保持90%准确率的同时实现了高扩展性和面积效率。
2024-04-28 cs.AI cs.AR cs.CV
Integration of Leaky-Integrate-and-Fire-Neurons in Deep Learning Architectures
Friedrich Alexander University Erlangen-Nürnberg (FAU)（埃尔朗根-纽伦堡弗里德里希-亚历山大大学（FAU））；University Hospital Erlangen（埃尔朗根大学医院）；Friedrich-Alexander University Erlangen-Nürnberg (FAU)（埃尔朗根-纽伦堡弗里德里希-亚历山大大学（FAU））
到目前为止，现代机器学习主要是基于对大量数据集的高维函数拟合，利用巨大的硬件资源。我们表明，生物启发的神经元模型，如泄漏集成和火灾（LIF）神经元提供了新的和有效的信息编码方式。它们可以集成到机器学习模型中，并且是提高机器学习性能的潜在目标。因此，我们推导出简单的更新规则的LIF单位的微分方程，这是很容易的数值积分。我们应用一种新的方法来训练LIF单位监督通过反向传播，通过分配一个常数值的衍生物的神经元激活函数专门用于反向传播步骤。这个简单的数学技巧有助于在预连接层的神经元之间分配误差。我们将我们的方法应用于IRIS开花图像数据集，并表明训练技术可用于训练LIF神经元的图像分类任务。此外，我们展示了如何将我们的方法集成到KERAS（tensorflow）框架中，并在GPU上有效地运行它。为了在培训过程中更深入地了解这些机制，我们开发了交互式插图，并在线提供。通过这项研究，我们希望通过整合生物学原理，为当前增强机器智能的努力做出贡献。
2020-09-11 cs.LG cs.NE q-bio.NC
Firing rate of the leaky integrate-and-fire neuron with stochastic conductance-based synaptic inputs with short decay times
我们计算了一个泄漏的集成和消防（LIF）神经元与随机电导为基础的输入在极限时，突触衰减时间远短于膜的时间常数的发射率。我们的分析结果的数值模拟的比较，提出了一系列的生物医学现实的参数。
2020-02-25 q-bio.NC
Leader neurons in leaky integrate and fire neural network simulations
一些实验研究表明，领导神经元的存在，在人口爆发的2D生活神经网络。一个领导神经元基本上是一个神经元，它在一个突发（分别是网络尖峰）的开始时放电的频率比我们通过观察它的整个平均神经活动所预期的要高。这意味着领导神经元具有超出简单统计效应的爆发触发能力。在这项研究中，我们描述了这些领导神经元的特性。这自然会导致我们模拟神经2D网络。为了构建我们的模拟，我们选择了漏积分和激发（lIF）神经元模型。我们的lIF模型在我们模拟的突发群体中有稳定的领导神经元。这些前导神经元是兴奋性神经元，并且具有低的膜电位放电阈值。除了前两个属性，神经元成为领导神经元所需的条件很难确定，似乎取决于模拟本身所涉及的几个参数。然而，详细的线性分析显示了神经元成为领导神经元所需的属性的趋势。我们的主要发现是：领导神经元向许多兴奋性神经元以及少数抑制性神经元发送信号，并且领导神经元仅从其他兴奋性神经元接收少数信号。我们的线性分析表现出五个基本属性的领导者神经元的相对重要性。这意味着考虑一个给定的神经网络，每个神经元的平均连接数是固定的，我们的分析为我们提供了一种预测哪个神经元可以成为一个好的领导神经元，哪个不能的方法。我们的预测公式给了我们一个很好的统计预测，即使考虑到单个给定的神经元，成功率没有达到百分之百。
2010-04-16 physics.bio-ph q-bio.NC
Order symmetry breaking and broad distribution of events in spiking neural networks with continuous membrane potential
我们介绍了一个完全可积的版本，著名的泄漏积分和消防（LIF）模型，连续膜电位在尖峰事件，c-LIF。我们研究了在短期突触可塑性存在下，兴奋性c-LIF神经元的完全连接网络的动力学机制。通过改变神经元之间的耦合强度，我们表明，一个复杂的混沌动力学出现，其特征在于无尺度雪崩。在c-LIF中这种现象的起源可以与神经元尖峰时间中的顺序对称性破坏有关，这对应于宽活动分布的开始。我们的分析揭示了一个一般的机制，通过该机制，简单的神经元网络可以被吸引到相空间中的复杂盆地。
2021-04-07 cond-mat.dis-nn cond-mat.stat-mech nlin.AO
The Impact of Structural Changes on Learning Capacity in the Fly Olfactory Neural Circuit
The Pingry School（平格里学校）；Boston University（波士顿大学）
本研究通过构建果蝇蘑菇体神经网络模型，探究KC-MBON连接结构变化对气味分类学习能力的影响，发现成熟KC消融和突触修剪损害学习，为神经可塑性和AI提供启示。
2025-09-18 cs.AI cs.LG cs.NE
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
The high-conductance state enables neural sampling in networks of LIF neurons
体内神经回路的明显随机性长期以来一直被假设为代表大脑中正在进行的随机推理的签名。最近，已经提出了一个神经采样的理论框架，它解释了如何通过尖峰神经元网络执行基于样本的推理。这种方法的一个特殊要求是神经响应函数紧密遵循逻辑曲线。计算神经反应函数的分析方法一直是许多理论研究的主题。为了使问题易于处理，通常对神经或突触参数进行特定的假设。然而，存在生物学上重要的活动机制，这些方法没有涵盖：在强烈的突触轰击下，如在皮层中经常发生的情况，神经元被转移到高电导状态（HCS），其特征在于小的膜时间常数。在这种情况下，突触时间常数和不应期主导膜动力学。我们的方法的核心思想是分别考虑两种不同的“模式”的尖峰动态：突发尖峰和短暂的静止，其中神经元不长时间尖峰。我们对待前者传播的有效膜电位的PDF从尖峰到尖峰在一个突发，而后者使用扩散近似。我们发现，我们的神经响应函数的预测密切匹配的模拟数据。此外，在HCS的情况下，我们表明，神经响应函数变得对称，可以很好地近似逻辑函数，从而提供正确的动态，以便执行神经采样。因此，我们不仅提供了一个规范的框架，贝叶斯推断在皮层，但也强大的应用程序的低功耗，加速神经形态系统相关的机器学习任务。
2016-01-05 cond-mat.dis-nn cs.NE physics.bio-ph
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
