A Pulse-Gated, Predictive Neural Circuit
最近的证据表明，神经信息被编码在数据包中，可以灵活地从一个区域路由到另一个区域。我们假设神经回路被分成子回路，其中一个子回路通过脉冲门控控制信息传播，第二子回路在第一子回路的控制下处理分级信息。使用一个显式的脉冲门控机制，我们已经能够显示如何信息可能被这样的脉冲控制电路处理，以及如何，通过允许信息处理电路与门控电路相互作用，可以作出决定。在这里，我们演示了如何赫布可塑性可以用来补充我们的脉冲门控信息处理框架，通过实现一个机器学习算法。所得到的神经电路具有许多类似于生物神经系统的结构，包括分层结构和由具有复杂频谱的振荡门控驱动的信息传播。
2017-03-15 q-bio.NC
Metastable spiking networks in the replica-mean-field limit
表征有限大小尖峰网络中的亚稳态神经动力学仍然是一个艰巨的挑战。我们建议在最近推出的复制平均场（RMF）限制来解决这一挑战。在这个限制下，网络是由有限网络的无限多个副本组成的，但副本之间的交互是随机的。这种随机化使得某些兴奋性网络完全易于处理，但代价是忽略活动相关性，但明确依赖于神经成分的有限大小。然而，亚稳态动力学通常在具有混合抑制和激励的网络中展开。在这里，我们将RMF计算框架扩展到具有指数随机强度的基于点过程的神经网络模型，允许混合激励和抑制。在这种情况下，我们表明，亚稳态有限大小的网络承认多稳态RMF的限制，这是完全由固定的发射率。从技术上讲，这些稳态速率被确定为一组延迟微分方程在任何物理解都应满足的某些正则性条件下的解。我们解决这个原始问题相结合的预解形式主义和奇异摄动理论。重要的是，我们发现，这些速率指定概率伪平衡，准确地捕捉在原始有限大小的网络中观察到的神经变异性。我们还讨论了亚稳态的出现作为一个随机分岔，这可以解释为一个静态相变的RMF限制。反过来，我们希望利用RMF极限的静态图像来推断亚稳态有限大小网络的纯动态特征，例如伪平衡之间的转换率。
2022-03-21 physics.bio-ph q-bio.NC
Transitions among metastable states underlie context-dependent working memories in a multiple timescale network
亚稳态之间的转换通常在神经系统中观察到，并且是诸如工作记忆的各种认知功能的基础。在之前的研究中，我们已经开发了一个具有慢速和快速种群的神经网络模型，其中简单的Hebb型学习能够实现稳定和复杂的（例如，非马尔可夫）神经状态之间的转换。该模型不同于具有非对称Hebbian连接的网络和使用监督机器学习方法训练的网络：前者生成简单的马尔可夫序列。后者生成复杂但易受干扰的序列，其学习方法在生物学上是难以置信的。通过使用我们的模型，我们提出并证明了一个新的机制，稳定的工作记忆：顺序稳定和不稳定的任务相关的状态在快速神经动力学。慢动态保持所施加的输入的历史，例如，上下文信号，并使任务相关的状态能够以上下文相关的方式稳定。我们发现，在每个时期中只有单个（或少数）状态是稳定的（即，存在上下文信号的时间段和延迟时间段），导致了对噪声和任务协议变化的鲁棒性能。这些结果表明，在神经系统中复杂和稳定的处理背后有一个简单的机制。
2021-04-22 physics.bio-ph q-bio.NC
Stability Control of Metastable States as a Unified Mechanism for Flexible Temporal Modulation in Cognitive Processing
本文提出一个包含多时间尺度神经元和Hebb学习规则的神经网络模型，揭示快速动力学建立亚稳态、慢速动力学调制其稳定性，从而统一解释认知过程中时间动态的灵活调制。
2025-04-12 cond-mat.dis-nn nlin.AO physics.bio-ph
Unveiling Stimulation Secrets of Electrical Excitation of Neural Tissue Using a Circuit Probability Theory
本文提出了一种新的理论--电路概率理论，它揭示了电神经刺激的秘密，从本质上解释了神经和非神经组织在电刺激时所观察到的非线性和共振现象。为了解释频率依赖响应，在神经电路模型中引入了电感。此外，随机计算对不同刺激强度的预测响应。基于这一理论，许多经验模型，如强度-持续时间关系和LNP模型，可以从理论上解释，推导和修正。该理论可以解释电刺激中复杂的非线性相互作用，并能拟合许多实验的刺激-响应的活体实验数据。因此，C-P理论应该能够指导新的实验，更重要的是，提供对神经组织的深入物理理解。作为一个有前途的神经模型，我们甚至可以进一步探索更精确的电路配置和概率方程，以更好地描述神经组织的电刺激。
2018-06-14 q-bio.NC
Fundamental bounds on learning performance in neural circuits
神经回路的大小如何影响其学习性能？直觉上，我们期望神经回路的学习能力随着神经元和突触的数量而增长。更大的大脑往往存在于具有更高认知功能和学习能力的物种中。类似地，向人工神经网络添加连接和单元可以让它们解决更复杂的任务。然而，我们表明，在一个生物相关的设置中，突触引入了不可避免的噪声量，有一个最佳的网络大小为一个给定的任务。在这个最佳尺寸之下，我们的分析显示了添加明显冗余的神经元和连接如何使任务更容易学习。因此，大型神经回路可以将连接性用于生成复杂行为，或者利用这种连接性来实现更快，更精确地学习简单行为。超过最佳网络大小，神经元和突触连接的增加开始阻碍学习性能。这表明，大脑的整体大小可能受到不可靠突触有效学习的需求的限制，并可能解释为什么一些神经学学习缺陷与超连接有关。我们的分析是独立于特定的学习规则，并揭示了学习率，任务性能，网络大小和内在噪声的神经电路之间的基本关系。
2018-12-31 q-bio.NC
Meta-Learning the Inductive Biases of Simple Neural Circuits
针对神经回路结构到归纳偏置的映射难题，研究提出一种元学习神经网络工具，通过学习回路易泛化的函数提取归纳偏置，在多类系统中验证有效，可用于解读连接组数据以理解回路特征作用。
2023-07-13 q-bio.NC
Neural circuit function redundancy in brain disorders
红细胞是神经系统的一种普遍存在的特性。这意味着细胞和突触组件的巨大不同配置可以实现相同的神经回路功能。然而，直到最近，很少有大脑疾病研究在设计实验或解释数据时考虑了这一特征的含义。在这里，我们首先总结了健康大脑中冗余的证据，解释了冗余及其三个子概念：草率，依赖性和多种解决方案。然后，我们列出了大脑疾病研究的关键影响，包括最近的例子冗余效应的实验研究精神疾病。最后，我们对未来的实验基于这些概念的预测。
2021-02-05 q-bio.NC
2$θ$-burster for rhythm-generating circuits
我们提出并证明了使用一个最小的2 $θ$模型的内源性爆发耦合在3-细胞神经回路。这个2 $θ$模型提供了设计更大的神经网络的简单性以及计算成本的急剧降低的好处。
2020-07-29 q-bio.NC
Shaping the distribution of neural responses with interneurons in a recurrent circuit model
本研究提出一种基于最优传输目标的规范性循环回路计算模型，通过调整中间神经元连接性与激活函数动态塑造神经响应分布，在自然图像冗余降低任务中验证了其有效减少神经响应统计依赖的作用。
2025-01-17 q-bio.NC
Brain Learning Principles Utilizing Non-Ideal Factors in Neural Circuits
National Key Laboratory of Radar Signal Processing, Xidian University（雷达信号处理国家重点实验室，西安电子科技大学）；Fujian Key Laboratory of the Modern Communication and Beidou Positioning Technology in Universities, Quanzhou University of Information Engineering（福建省高校现代通信与北斗定位技术重点实验室，泉州信息工程学院）
本文探讨了非理想因素如何作为进化设计原则，提升大脑的鲁棒性、适应性和创造力。
2026-03-23 q-bio.NC
The first principle of neural circuit and the general Circuit-Probability theory
提出了一种新的神经回路，将髓磷脂看作电感器。这种新的神经回路可以解释为什么以前的C-P理论中使用的集总参数回路是有效的。同时，也为髓鞘在神经信号传播中的生物学功能提供了新的解释。在此基础上，建立了磁神经刺激的新模型，并对磁神经刺激中的各种现象进行了解释。基于该模型，可以优化线圈结构。
2018-06-02 physics.bio-ph q-bio.NC
Spatially distributed computation in cortical circuits
大脑皮层中神经计算的传统观点认为，感觉神经元是专门化的，即，对某些感官刺激有选择性。这一观点受到了挑战的证据之间的背景相互作用的刺激尺寸，其中一个神经元的反应，一个维度强烈依赖于其他维度。在这里，我们使用数学建模，心理物理学和电生理学的方法来解决传统观点的缺点。使用一个通用的皮层回路模型，我们从简单的演示开始，即皮层反应总是分布在神经元之间，形成特征波形，我们称之为神经波。当受到模式化刺激时，神经波的干扰会引起电路反应。所产生的干扰模式取决于刺激维度之间的相互作用。这些模拟的响应与生物视觉的响应的比较清楚地表明，神经波干扰的框架提供了一个有用的替代神经计算的标准概念。
2022-02-25 q-bio.NC
Compression supports low-dimensional representations of behavior across neural circuits
压缩的一种形式--简化，可以简化信息的表示，以提高效率并揭示一般模式。然而，这种简化也丧失了信息，从而降低了代表能力。因此，大脑可以从产生压缩和未压缩的活动中受益，并且可以在代表低水平（感觉）或高水平（认知）刺激的不同神经回路中以异构方式这样做。然而，大脑皮层的压缩能力和表征能力究竟有何不同，目前还不得而知。在这里，我们预测不同级别的压缩跨区域电路使用网络上的随机游走模型的活动流，并制定率失真函数，这是有损压缩的基础。使用一个大样本的青年（$n=1,040$），我们测试的预测在两个方面：通过测量的维度的自发活动，从感觉运动到关联皮层，并通过评估的表征能力的24个行为的神经回路和20个认知变量的递归神经网络。我们的网络压缩理论预测的活动（$t=12.13, p<0.001$）和生物（$r=0.53, p=0.016$）和人工（$r=0.61, p<0.001$）网络的代表能力的维数。该模型表明，压缩的基本形式是如何与网络的其余部分进行通信的分布式电路之间的活动流的一种新兴属性。
2022-11-29 q-bio.NC
Robust information propagation through noisy neural circuits
感觉神经元对刺激产生高度可变的反应，这可能限制下游电路可用的刺激信息量。大量的工作已经调查的因素，影响这些人口的反应编码的信息量，导致洞察神经元之间的协变性的作用，调整曲线形状等，但是，神经反应的信息量不是唯一相关的人口代码的功能;潜在的同等重要性是如何强大的信息传播到下游结构。例如，为了量化视网膜的性能，不仅必须考虑视神经反应的信息量，而且还必须考虑在下一个处理阶段（外侧膝状体核）中幸存于尖峰生成非线性和噪声破坏的信息量。我们的研究确定了上游细胞的协方差结构集，优化了信息通过嘈杂的非线性电路传播的能力。在这个最佳的家庭是协方差与“微分相关”，这是众所周知的，以减少信息编码的神经元群体的活动。因此，使神经元群体代码中的信息最大化的协方差结构和使该信息传播的能力最大化的协方差结构可能非常不同。
2017-02-26 q-bio.NC
Manifold Transform by Recurrent Cortical Circuit Enhances Robust Encoding of Familiar Stimuli
本研究通过早期视觉皮层循环回路模型，发现BCM赫布学习塑造的循环计算可重现熟悉刺激的神经稀疏化，并变换反应流形以增强抗噪鲁棒性和刺激辨别，获初步生理证据支持。
2024-08-20 q-bio.NC
Fast sampling for Bayesian inference in neural circuits
对于周期性的网络动态，时间是宝贵的，特别是当它们是随机的和相关的时候：从这种动态中推断的质量从根本上取决于神经电路从其静态分布中生成新样本的速度。事实上，行为决策可以发生在快速的时间尺度（~100 ms），但目前还不清楚是什么神经回路动力学提供如此高的采样率。我们分析了一个随机形式的基于速率的线性神经元网络动力学与突触权重矩阵$W$，和依赖于$W$的联合放电率的平稳分布的协方差。该协方差$Σ$可以通过线性高斯潜变量模型下的采样来主动地用于表示后验不确定性。关键的见解是，$W$和$Σ$之间的映射是退化的：有无限多个$W$，导致从相同的$Σ$进行采样，但它们的采样速度有很大差异。我们能够以参数形式明确地分离这些额外的自由度，从而研究它们对采样速度的影响。我们表明，以前的建议，在神经电路中的概率采样对应于使用对称的$W$，违反戴尔定律，并导致在非常慢的采样，即使是中等的平稳相关。相比之下，优化网络动力学的速度一致产生不对称的$W$的和动态的特点是快速瞬变，这样的网络活动的样本变得完全去相关超过10毫秒。重要的是，网络与单独的兴奋/抑制种群被证明是特别有效的采样器，并在平衡的制度。因此，合理的神经电路动力学可以执行快速采样，以进行有效的解码和推理。
2014-04-23 q-bio.NC
Neural manifold analysis of brain circuit dynamics in health and disease
实验神经科学的最新发展使得同时记录数千个神经元的活动成为可能。然而，这种大规模神经记录的分析方法的发展比适用于单细胞实验的方法要慢。最近流行的一种方法是神经流形学习。这种方法利用了这样的事实，即即使神经数据集可能是非常高维的，神经活动的动态往往也会遍历低得多的维度空间。由这些低维神经子空间形成的拓扑结构被称为神经流形，并且可能提供将神经回路动力学与认知功能和行为表现联系起来的洞察力。在本文中，我们回顾了一些线性和非线性的方法来神经流形学习，将它们设置在一个共同的数学框架，并比较它们的优点和缺点，就其用于神经数据分析。我们将它们应用到一些数据集从已发表的文献，比较流形，从他们的应用程序，海马位置细胞，运动皮层神经元在达到任务，和前额叶皮层神经元在多行为任务。我们发现，在许多情况下，线性算法产生类似的结果，非线性方法，虽然特别是在行为的复杂性更大的情况下，非线性方法往往会找到低维流形，在可能的代价的可解释性。我们证明，这些方法是适用于神经系统疾病的研究，通过模拟小鼠模型的阿尔茨海默病，并推测，神经流形分析可能有助于我们了解电路水平的分子和细胞神经病理学的后果。
2022-10-17 q-bio.NC
Harnessing behavioral diversity to understand circuits for cognition
随着越来越多地获取大规模神经记录，推断它们执行的计算以及理解这些计算如何引起行为的挑战也随之而来。在这里，我们回顾了新兴的概念和技术进步，开始解决这一挑战，从生物和人工神经网络的见解。我们认为，神经数据应记录在丰富的行为任务，认知过程建模和估计潜在的行为变量。仔细量化动物的运动也可以提供一个更完整的图片如何运动形状神经动力学和反映大脑状态的变化，如唤醒或压力。人工神经网络（ANN）可以作为连接神经动力学和丰富的行为数据的重要工具。人工神经网络已经开始揭示如何最佳地解决特定的行为，产生关于观察到的神经活动如何驱动行为的假设，并解释行为策略的多样性。
2019-06-23 q-bio.NC
Mathematical Analysis and Simulations of the Neural Circuit for Locomotion in Lamprey
我们分析了七鳃鳗中枢模式发生器（CPG）的神经回路的动力学。这种分析提供了对神经相互作用如何形成振荡器并在阻尼振荡器网络中实现自发振荡的见解，这在以前的模拟或抽象相位振荡器模型中并不明显。我们还展示了如何不同的行为制度（其特征在于振荡器之间的相位和振幅关系）的向前/向后游泳，和转向，可以使用神经连接强度和外部输入控制。
2004-04-08 cond-mat.dis-nn q-bio.NC
Artificial Brain Based on Credible Neural Circuits in a Human Brain
Department of Electrical and Computer Engineering（电气与计算机工程系）
神经元被单独翻译成简单的门，以基于人类心理和智力来规划大脑。状态机，假设以前在潜意识中学习的联想记忆，使方程求解和基本的思维使用纳米短期记忆。
2010-10-04 cs.AI q-bio.NC
How to find decision makers in neural circuits?
神经回路经常面临将刺激分类为离散组并基于此类分类做出决策的问题。这些回路的神经元可以根据它们与刺激或反应的不同特征的相关性来区分，这允许定义感觉或运动神经元类型。在这项研究中，我们定义了第三类神经元，这是负责决策。我们建议两种描述的单位的贡献决策：第一，作为一个空间衍生的神经活动和决定之间的相关性;第二，作为一个给定的神经元的响应的可变性的影响。这两个定义被证明是等效的，当他们可以比较。我们还提出了一个实验策略，以确定决策的贡献，它使用随时间变化的随机电流的电刺激。
2004-01-05 q-bio.MN q-bio.NC
Explaining the Logical Nature of Electrical Solitons in Neural Circuits
神经元是基于铁电膜的电模型，铁电膜足够薄，允许电荷转移，被证明是热能离子和随机电子的隧穿结果。这些膜可以被触发产生电孤子，这是大脑联想记忆和逻辑处理的主要信号。建立了树枝状电路模型，模拟了电孤子的传输、反射、碰撞以及孤子的“或”门、“与”门、“异”门和“非”门等。
2008-04-26 cs.NE q-bio.NC
The most probable neural circuit exhibits low-dimensional sustained activity
在行为实验中记录其活动的皮层神经元已被分为几种类型，例如刺激相关神经元、延迟期神经元和奖励相关神经元。此外，群体活动的神经元在达到任务可以描述的动力学在低维空间。这些结果表明，一些类型的神经元的低维动力学出现在被训练来执行任务的大脑皮层中。这项研究调查了一个简单的神经回路出现了几种类型的神经元。假设电路中有无限多个神经元，其连接权重来自高斯分布，我们通过使用核函数来建模神经元的动力学。假设系统是无限大的，几乎所有有能力的电路都近似于任务的最可能电路。我们模拟了两个延迟反应任务和一个运动模式生成任务。模型网络在所有任务中都表现出低维动力学。考虑到连接权重是从高斯分布中提取的，最可能的电路是具有最小连接权重的电路;也就是说，具有最简单动态的最简单电路。最后，我们将动态算法信息论。
2018-11-25 cond-mat.dis-nn q-bio.NC
Nonlinear resonances and multi-stability in simple neural circuits
本文描述了一个数值过程，旨在调整的参数的磁驱动动力系统的状态，其中他们表现出丰富的动力学行为。这是通过在定义驱动的参数范围内最大化系统可用的分谐波解决方案的多样性来实现的。该程序适用于计算神经科学中的一个感兴趣的问题：一个电路组成的两个相互作用的神经元种群外部周期性强迫。取决于定义电路的参数，例如群体之间连接的权重，电路对驱动的响应可以是惊人的丰富和多样。该程序是用来寻找电路，当驱动外部输入，表现出多个稳定的模式，在复杂的调谐图和签名的低维混沌的周期性活动组织。
2017-02-09 nlin.CD q-bio.NC
The PSPACE-hardness of understanding neural circuits
在神经科学中，理解神经回路功能的一个重要方面是确定回路中的哪些神经元（如果有的话）对神经回路所控制的生物行为至关重要。类似的问题是确定给定的一小组神经元是否足以显示行为，即使电路中的所有其他神经元都被停用。这样的神经元子集形成了被研究行为的所谓退化回路。实验技术的最新进展为研究人员提供了以非常高的分辨率激活和失活神经元子集的工具，即使在活体动物中也是如此。从这样的实验中收集的数据可以是以下形式：当给定的神经元子集被停用时，是否观察到所研究的行为？这种设置导致的算法问题，确定最小的重要或退化的神经元集时，作为输入的神经回路的描述。算法问题需要弄清楚哪些神经元子集应该被扰动（激活/去激活），然后使用来自这些扰动的数据来确定最小的生命或退化集。鉴于大量可能的扰动，以及神经回路的循环性质，在这种方法中组合爆炸的可能性已经在生物学和神经科学文献中被认识到。在本文中，我们证明了问题的最小或最小尺寸的退化集，并找到一组重要的神经元，神经回路作为输入，实际上是PSPACE困难的。更重要的是，我们证明了我们的硬度结果表明，一个更简单的问题，模拟这样的神经电路，本身是PSPACE硬。
2020-06-23 cs.CC cs.DM q-bio.NC
Self-Supervised Discovery of Neural Circuits in Spatially Patterned Neural Responses with Graph Neural Networks
Department of Electronic Engineering（电子工程系）；Department of Artificial Intelligence（人工智能系）；Hanyang University（翰阳大学）
本研究提出一种基于图神经网络的模型，通过自监督结构学习同时预测神经活动并推断潜在连接，在合成与真实数据上验证了其恢复准确连接权重的能力。
2025-10-25 cs.LG q-bio.NC q-bio.QM
Fate of Duplicated Neural Structures
统计力学根据成本效益平衡决定了物质不同排列的丰度。它的形式主义和现象学渗透到整个生物过程中，并为有效的计算设置了限制。在特定条件下，自我复制和计算复杂的模式变得更受欢迎，产生生命，认知和达尔文进化论。神经元和神经回路处于统计力学、计算和（通过它们在认知中的作用）自然选择之间的十字路口。我们能否建立神经回路的{ \em统计物理学}？这样的理论将告诉我们，在设定的能量、进化和计算条件下，我们会期待什么样的大脑。考虑到这一大局，我们专注于复制神经回路的命运。我们从中枢神经系统的例子来看，强调可能导致这种冗余的计算阈值。我们还研究了一个天真的成本效益平衡重复电路实现复杂的表型。由此，我们得出{ \em相图}和（类相位）之间的单一和重复的电路，限制复杂的认知进化路径的过渡。回到大局，类似的相图和转换可能会限制神经回路的I/O和内部连接模式。统计力学的形式主义似乎是这一有价值的研究路线的自然框架。
2021-02-01 nlin.AO q-bio.NC
Increasing signal amplitude in electrical impedance tomography of neural activity using a parallel resistor inductor capacitor (RLC) circuit
目的：为了提高神经活动过程中产生的阻抗信号幅度，在周围神经电阻抗断层成像（EIT）的电流源两端并联电阻-电感-电容（RLC）电路。方法：采用离体SD大鼠坐骨神经进行实验。在电路建模软件中进行RLC电路的设计，并通过在5 Hz至50 kHz范围内对神经和神经袖带进行体外阻抗测量来辅助。主要结果：RLC实验选择的频率范围为17 +/- 1 kHz。使用RLC电路对四个受试者进行RLC实验，该RLC电路被设计为产生具有3.6kHz带宽的17 kHz的谐振频率，并且包含22 mH电感元件和3.45nF电容元件。连接RLC电路后，阻抗信号（+/-3sig噪声）的相对增加分别为44%（+/-15%）、33%（+/-30%）、37%（+/-8.6%）和16%（+/-19%）。重要性：由跨驱动电流的并联RLC电路的新颖实现方式产生的高频处的阻抗信号幅度的增加通过增加可以在频分复用（FDM）EIT系统中实现的并联驱动电流的数量来提高空间分辨率，并且通过减少对系综平均的需要来帮助实现实时FDM EIT系统的长期目标。
2019-06-27 physics.ins-det q-bio.NC
Constraints on the design of neuromorphic circuits set by the properties of neural population codes
在大脑中，信息被编码、传输并用于在分布在神经元群体上的动作电位的定时水平上通知行为。为了在计算机上实现类神经系统，模拟神经功能，并成功地与大脑接口，神经形态电路需要以与大脑中神经元群体所使用的方式兼容的方式编码信息。为了促进神经形态工程和神经科学之间的交叉对话，在这篇综述中，我们首先批判性地研究和总结了最近出现的关于神经元群体如何编码和传递信息的研究结果。我们研究了神经群体活动的不同特征对信息编码和读出的影响，即神经表征的稀疏性、神经属性的异质性、神经元之间的相关性以及神经元编码信息并随时间推移保持一致的时间尺度（从短到长）。最后，我们批判性地阐述了这些事实如何约束神经形态电路中的信息编码设计。我们主要关注设计与大脑通信的神经形态电路的影响，因为在这种情况下，人工和生物神经元使用兼容的神经代码是至关重要的。然而，我们也讨论了神经形态系统的设计实现或仿真神经计算的影响。
2022-12-08 cs.ET cs.NE q-bio.NC
Rules and mechanisms for efficient two-stage learning in neural circuits
试错学习需要评估变量动作并强化成功的变量。在鸣禽中，发声探索是由LMAN引起的，LMAN是基底神经节回路的输出，也有助于对发声输出的校正偏差。这种偏见是逐步巩固RA，运动皮质类似物下游的LMAN。我们开发了一个新的模型，这样的两个阶段的学习。使用随机梯度下降，我们推导出“导师”电路中的活动（例如，LMAN）应该匹配“学生”电路中的可塑性机制（例如，RA）实现高效学习。我们进一步描述了一个强化学习框架，通过该框架，教师可以建立其教学信号。我们发现导师信号和可塑性机制之间的不匹配会损害学习。应用鸟鸣，我们的研究结果预测的时间结构的纠正偏差从LMAN在RA的可塑性规则。我们的框架可以预测性地应用于其他成对的大脑区域，显示两个阶段的学习。
2017-03-08 physics.bio-ph q-bio.NC
Neuronal Circuit Policies
TU Wien（维也纳工业大学）
我们提出了一种有效的方法来创建可解释的控制代理，通过重新利用生物神经电路模型的功能，来管理模拟和现实世界的强化学习（RL）测试床。我们模拟了线虫C. elegans，负责蠕虫对外部机械触摸刺激的反射性反应的电路，并学习其突触和神经元参数作为控制基本RL任务的策略。我们还自主地将一个真正的漫游机器人停放在预定义的轨迹上，通过部署在模拟环境中学习的神经元电路策略。对于TW神经电路的重构目的，我们采用了基于搜索的RL算法。我们表明，我们的神经元政策表现得与深度神经网络政策一样好，其优势是在细胞水平上实现可解释的动态。
2018-03-22 cs.AI cs.LG cs.NE
Deciphering neural circuits for Caenorhabditis elegans behavior by computations and perturbations to genome and connectome
{ \it秀丽隐杆线虫}线虫是唯一具有已知的详细神经连接图、良好表征的基因组学和相对简单的可量化行为输出的动物。考虑到这一点，许多研究人员将这种动物视为系统生物学方法的最佳候选者，在这种方法中，人们可以整合分子和细胞知识，以获得对蠕虫行为的全面了解。这项工作回顾了在这个方向上的一些研究，强调计算的角度来看，并指出了一些成功和挑战，以满足这一崇高的目标。
2019-10-16 q-bio.GN q-bio.NC q-bio.QM
Robust online estimation of biophysical neural circuits
本研究探讨了自适应观测器在神经元网络参数估计中的鲁棒性，发现去中心化和冗余能在模型存在不确定性和失配时恢复集中式递归均方算法的性能。
2023-09-08 cs.SY eess.SY q-bio.NC
Stable chaos in fluctuation driven neural circuits
研究了脉冲耦合漏积分激发神经元网络在无穷小和有限扰动下的动力学稳定性。特别是，我们比较了电流与波动驱动的网络，前者（后者）是通过考虑纯粹的兴奋性（抑制性）稀疏神经回路来实现的。在激励的情况下，系统的不稳定性可以完全捕获的一个通常的线性稳定性（李雅普诺夫）分析，另一方面，抑制网络可以显示线性和非线性不稳定性的共存。的非线性效应与有限振幅的不稳定性，其特征在于在适当的指标。对于抑制耦合，通过减小脉冲宽度，观察到从混沌到非混沌动力学的转变。对于足够快的突触，系统尽管表现出不稳定的演化，但却是线性稳定的，因此代表了稳定混沌的典型例子。
2014-03-03 cond-mat.dis-nn nlin.CD q-bio.NC
Inhibitory normalization of error signals improves learning in neural circuits
Mila-Quebec AI Institute（魁北克人工智能研究所）；School of Computer Science, McGill University（麦吉尔大学计算机科学学院）；Yale University（耶鲁大学）；Google, Paradigms of Intelligence Team（谷歌，智能范式团队）；Leeds University（利兹大学）；Department of Neurology & Neurosurgery, McGill University（麦吉尔大学神经学与神经外科系）；Montreal Neurological Institute, McGill University（蒙特利尔神经科学研究所，麦吉尔大学）；CIFAR Learning in Machines & Brains Program（CIFAR 机器与大脑学习计划）
研究通过人工神经网络探讨抑制性归一化对学习的影响，发现归一化误差信号能显著提升图像识别任务性能。
2026-03-18 cs.AI cs.LG q-bio.NC
Deep Reinforcement Learning for Neural Control
University of Washington（华盛顿大学）
我们提出了一种基于深度强化学习的神经回路控制新方法。我们的方法通过产生现有神经回路的外部连续刺激（神经调制控制）或神经回路结构的调制（连接体控制）来实现目标行为。由于神经活动的非线性和循环复杂性，这两种形式的控制都具有挑战性。为了推断候选控制策略，我们的方法将神经回路和它们的连接体映射到一个网格世界中，并推断实现目标行为所需的动作。这些动作是通过适应深度Q学习方法来推断的，这些方法以其在导航网格世界中的强大性能而闻名。我们将我们的方法应用于\textit{C. elegans}模型，该模型模拟了具有肌肉和身体的完整的躯体神经系统。我们的框架成功地推断神经肽电流和突触结构控制的趋化性。我们的研究结果是一致的，在体内测量，并提供了额外的见解趋化性的神经控制。我们进一步证明了我们的方法的一般性和可扩展性，从零开始推断趋化神经回路。
2020-06-12 cs.AI cs.LG cs.SY
Neural Circuit Architectural Priors for Embodied Control
Cold Spring Harbor Laboratory（冷泉港实验室）
用于电机控制的人工神经网络通常采用通用架构，如完全连接的MLP。虽然一般来说，这些白板架构依赖于大量的经验来学习，不容易转移到新的机构，并且具有难以解释的内部动态。在自然界中，动物天生就具有高度结构化的神经系统连接，这些神经系统是由进化形成的;这种先天回路与学习机制协同作用，提供诱导偏差，使大多数动物在出生后不久就能正常工作并有效学习。受视觉电路启发的卷积网络已经编码了视觉的有用偏差。然而，目前还不清楚受神经电路启发的ANN架构在多大程度上可以为其他AI领域产生有用的偏差。在这项工作中，我们问生物启发的人工神经网络架构可以提供在电机控制领域的优势。具体来说，我们翻译C。elegans运动电路到人工神经网络模型控制模拟游泳代理。在运动任务上，我们的架构实现了良好的初始性能和渐近性能与MLP相当，同时大大提高了数据效率，并需要数量级更少的参数。我们的架构是可解释的，并转移到新的车身设计。消融分析表明，约束的激励/抑制是至关重要的学习，而权重初始化有助于良好的初始性能。我们的工作证明了生物启发的人工神经网络架构的几个优点，并鼓励未来的工作在更复杂的体现控制。
2022-11-27 cs.LG cs.NE cs.RO
