Low Dimensional Dynamics of Globally Coupled Complex Riccati Equations: Exact Firing-rate Equations for Spiking Neurons with Clustered Substructure
该研究提出全局耦合异质复Riccati方程系综的精确理论，针对洛伦兹异质性实现大幅降维，并借此得到具有簇状子结构的脉冲神经元群体的低维放电率方程。
2025-05-20 nlin.SI q-bio.NC
VOR Adaptation on a Humanoid iCub Robot Using a Spiking Cerebellar Model
University of Granada（格拉纳达大学）；University Pierre & Marie Curie（皮埃尔和玛丽·居里大学）
我们在自适应实时（RT）控制回路中嵌入了一个尖峰小脑模型，该控制回路在执行不同的前庭眼反射（VOR）任务时能够操作真实的机器人身体（iCub）。脉冲神经网络计算包括事件和时间驱动的神经动力学、神经活动和脉冲定时依赖的可塑性（STDP）机制，在小脑模拟过程中遇到的神经活动齐射会导致计算时间的不确定性。这种不确定的计算时间促使RT管理器模块的集成，该模块能够确保精心编排的神经计算时间和机器人操作。实际上，我们的神经机器人实验装置（VOR）受益于小脑和身体之间的生物感觉运动延迟，以缓冲计算过载，以及提供灵活性，在调整神经计算时间和RT操作。RT管理器模块提供增量对策，其通过停止模拟或禁用某些神经计算特征（即，STDP机制，尖峰传播和神经更新），以应对真实机器人操作所施加的RT约束。这种神经机器人实验装置被应用于不同的水平和垂直VOR自适应任务，这些任务被神经科学界广泛用于解决小脑功能。我们的目的是阐明小脑神经基质和分布的可塑性的组合形状的小脑神经活动介导的运动适应的方式。本文强调需要一个两阶段的学习过程，以促进VOR收购。
2020-03-31 cs.NE cs.RO cs.SY
On the simulation of nonlinear bidimensional spiking neuron models
NeuroMathComp Laboratory, INRIA/ENS Paris（神经数学计算实验室，INRIA/巴黎高等师范学院）
针对二维尖峰神经元模型，研究了固定时间步长积分方法的系统误差，并提出了一种基于变步长积分的新算法以实现高精度模拟。
2010-08-20 cs.NA math.DS math.NA
Smooth Exact Gradient Descent Learning in Spiking Neural Networks
本文针对脉冲神经网络中脉冲突变导致梯度下降困难的问题，提出基于连续变化脉冲动力学的精确梯度下降方法，支持脉冲的添加与移除，并在循环和深度等网络中验证了其有效性。
2025-01-28 cs.NE q-bio.NC
Event-Based Backpropagation can compute Exact Gradients for Spiking Neural Networks
尖峰神经网络使用离散尖峰将模拟计算与基于事件的通信相结合。虽然深度学习的令人印象深刻的进步是通过使用反向传播算法训练非尖峰人工神经网络实现的，但将该算法应用于尖峰网络之前受到离散尖峰事件和不连续性的存在的阻碍。第一次，这项工作推导出反向传播算法的连续时间尖峰神经网络和一般的损失函数，通过应用伴随方法与适当的偏导数跳跃，允许反向传播通过离散尖峰事件没有近似。该算法EventProp在尖峰时间反向传播错误，以便以基于事件的时间和空间稀疏方式计算精确梯度。我们使用通过EventProp计算的梯度，使用尖峰时间或基于电压的损失函数在阴阳和MNIST数据集上训练网络，并报告竞争性能。我们的工作支持基于梯度的学习算法在尖峰神经网络的严格研究，并提供了他们在新的大脑启发的硬件实现的见解。
2021-05-31 cs.NE q-bio.NC
Exact computation of the Maximum Entropy Potential of spiking neural networks models
了解刺激和突触连接如何影响神经网络中尖峰模式的统计是计算神经科学的一个中心问题。最大熵方法已被成功地用于表征同时记录的发放神经元对刺激的统计响应。但是，尽管在预测方面表现良好，拟合参数并不能解释所观察到的相关性的根本机制原因。另一方面，发放神经元的数学模型（神经模拟模型）提供了刺激、网络结构和发放模式之间的条件概率映射。在本文中，我们建立了一个精确的神经模拟和最大熵模型之间的解析映射。
2014-05-14 physics.bio-ph q-bio.NC
Fluctuation-dissipation relations for spiking neurons
自发波动和刺激反应是神经功能的基本特征，但它们之间的联系却知之甚少。我推导出波动耗散关系（FDR）之间的自发尖峰和电压的相关性和放电率的敏感性为i）泄漏的积分和火灾（IF）模型与白噪声; ii）IF模型与任意电压依赖性，适应电流，和相关噪声。FDR可用于导出相关统计量或从其自发活动的观察推断系统的响应。
2022-04-01 physics.data-an q-bio.NC
Simplified Klinokinesis using Spiking Neural Networks for Resource-Constrained Navigation on the Neuromorphic Processor Loihi
C. elegans使用变质运动显示趋化性，其中蠕虫基于单个浓度传感器来感测浓度，以计算浓度梯度，从而通过向目标浓度的梯度上升/下降接着轮廓跟踪来执行觅食。仿生实现需要具有多个离子通道动力学的复杂神经元以及用于控制的中间神经元。虽然这是自主机器人的关键能力，但在英特尔的Loihi等节能神经形态硬件上实现它需要使网络适应硬件特定的约束，而这一点尚未实现。在本文中，我们证明了适应的趋化性的基础上klinokinesis Loihi通过实施必要的神经元动力学，只有LIF神经元，以及一个完整的尖峰为基础的实现的所有功能，如Heaviside功能和减法。我们的研究结果表明，Loihi实现在性能方面与Python上的软件对应物相当-无论是在觅食还是轮廓跟踪期间。Loihi结果在嘈杂的环境中也具有弹性。因此，我们证明了一个成功的适应Loihi的趋化性-现在可以结合SNN块的SNN为基础的复杂的机器人控制的丰富阵列。
2021-05-04 cs.NE cs.SY eess.SY
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
Bayesian Inference with Spiking Neurons
人类和其他动物的行为就像我们在不确定的感觉数据下执行快速的贝叶斯推断和运动控制。在这里，我们表明，一个单一的神经元的阈下膜电位的生物病理学现实的模型可以准确地计算贝叶斯规则推断的泊松参数的感觉脉冲序列的分子。一个简单的尖峰神经元网络可以构建和表示影响泊松参数的外部原因的参数的贝叶斯后验密度，准确和实时。
2014-06-19 q-bio.NC
Beyond Weights: Deep learning in Spiking Neural Networks with pure synaptic-delay training
本文受生物学启发，提出仅训练脉冲神经网络中的突触延迟（权重固定随机或三值）即可通过反向传播达到与传统权重训练相当的性能，并在MNIST和Fashion-MNIST上验证，开辟了更高效训练新范式。
2023-08-29 cs.NE q-bio.NC
Macroscopic description for networks of spiking neurons
神经科学、统计物理学和非线性动力学的一个主要目标是了解大脑功能是如何从尖峰神经元网络的集体动力学中产生的。这一挑战主要通过大规模数值模拟来解决。或者，研究人员已经制定了平均场理论，以了解大型神经元网络的宏观状态，即神经元的集体放电活动或放电率。然而，这些理论并没有成功地在网络的放电率和尖峰神经元的潜在微观状态之间建立精确的对应关系。这在很大程度上限制了这种宏观描述的适用范围，特别是在试图描述神经元同步时。在这里，我们提供了一组精确的宏观方程的尖峰神经元网络的推导。我们的研究结果表明，单个神经元的尖峰产生机制引入了两个生物药理学相关的宏观量，放电率和平均膜电位，共同管理的神经网络的演变之间的有效耦合。由此产生的方程精确地描述了网络的所有可能的宏观动力学状态，包括同步尖峰活动的状态。最后，我们表明，射击率的描述是相关的，通过一个共形映射，与低维描述的仓本序参数，称为E-Antonsen理论。我们预计我们的结果将成为研究大型尖峰神经元网络如何及时自组织处理和编码大脑信息的重要工具。
2015-06-22 cond-mat.dis-nn nlin.AO nlin.CD
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
Exploring neural oscillations during speech perception via surrogate gradient spiking neural networks
Idiap Research Institute（伊迪亚普研究所）
提出一种受生理学启发的可扩展语音识别架构，通过端到端梯度下降训练使脉冲神经网络产生神经振荡，并揭示了反馈机制在调节神经活动以提升识别性能中的关键作用。
2024-09-02 cs.CL q-bio.NC
Biologically plausible solutions for spiking networks with efficient coding
理解神经网络的动力学是如何被它们执行的计算所塑造的是神经科学中的一个基本问题。最近，高效编码的框架提出了一个理论，如何尖峰神经网络可以计算低维刺激信号与高效率。有效的尖峰网络是基于与尖峰信息编码相关的损失函数的时间依赖性最小化。然而，为了了解大脑中生物网络的功能和动力学，数学模型必须受到生物学的影响，并遵守与生物网络相同的约束。目前，有效编码的尖峰网络模型已被扩展到包括一些生物相容性的特征，例如具有兴奋性和抑制性神经元的架构。然而，有效编码理论的生物现实主义仍然局限于简单的情况下，不包括单个神经元和网络特性，已知是生物电路中的关键。在这里，我们重新审视了尖峰有效编码的理论，以开发更接近生物电路的尖峰神经网络。也就是说，我们找到了一个生物学上合理的尖峰模型，实现了有效的编码的情况下，一个广义的泄漏集成和消防网络的兴奋性和抑制性单位，配备了快速和缓慢的突触电流，局部稳态电流，如尖峰触发的适应，超极化激活的反弹电流，异构发射阈值和重置，异构突触后电位，和结构化，低秩连接。我们展示了E-E连接矩阵的复杂性如何影响网络响应。
2022-10-24 physics.bio-ph q-bio.NC
An exact firing rate model reveals the differential effects of chemical versus electrical synapses in spiking networks
化学和电突触塑造神经元网络的动力学。许多理论研究已经研究了这些类型的突触中的每一种如何有助于神经元振荡的产生，但它们的组合效应却鲜为人知。传统的神经元平均场模型（也称为放电率模型或放电率方程）无法解释电突触，这进一步放大了这种限制。在这里，我们介绍了一种新的放电率模型，准确地描述了二次积分和消防（QIF）神经元与化学和电突触的异质种群的平均场动力学。放电率模型的数学分析揭示了一个完善的分叉方案的网络与化学突触，其特征在于由一个余维2尖点和持久状态的强经常性兴奋性耦合。电耦合的包含通常意味着凭借超临界Hopf分叉的神经元同步。这将Cusp场景转换为由三个余维2点（Cusp，Takens-Bogdanov和Saddle-Node Separatrix Loop）表征的分叉场景，这大大降低了持久状态的可能性。这对于具有化学和电耦合的异质QIF网络是通用的。我们的研究结果与几个数值研究的动态大网络的异质尖峰神经元的电和化学耦合。
2019-09-19 nlin.AO nlin.CD q-bio.NC
A discrete time neural network model with spiking neurons II. Dynamics with noise
我们提供了严格和准确的结果，表征了泄漏的集成和消防神经元网络中的尖峰列车的统计数据，其中时间是离散的，神经元被提交给噪声，没有限制的突触权重。证明了一个Gibbs型不变测度的存在唯一性，并讨论了它的性质.我们还讨论了马尔可夫近似，并将其与目前在计算神经科学中使用的方法来分析实验尖峰列车统计。
2010-08-12 math.DS math.PR physics.bio-ph
Fractionally Predictive Spiking Neurons
最近的实验工作表明，神经放电率可以解释为分数导数，至少当信号变化引起神经适应。在这里，我们表明，实际的神经尖峰训练本身可以被认为是分数阶导数，只要神经信号近似的幂律内核的总和。一个简单的标准阈值尖峰神经元足以进行这样的近似，给定一个合适的不应反应。从经验上讲，我们发现，在线近似的信号与幂律内核的总和是有益的编码信号与缓慢变化的组件，如长记忆自相似信号。对于这样的信号，与类似但指数衰减的内核的总和相比，对于类似的SNR，在线幂律内核近似通常需要不到一半的尖峰数量。由于幂律内核可以准确地近似使用加权指数的总和或级联，我们证明了由接收神经元的尖峰序列的相应解码允许通过调整解码内核的权重来进行自然和透明的时间信号滤波。
2010-10-29 cs.NE q-bio.NC
Relation between firing statistics of spiking neuron with instantaneous feedback and without feedback
我们考虑了一类广泛的尖峰神经元模型，定义了相当一般的一组条件，典型的基本模型，如泄漏集成和消防，或绑定神经元模型。一个神经元被输入一个点更新过程。导出了三个概率密度函数（pdf）之间的关系：（i）输入峰间期的pdf，（ii）具有瞬时反馈的神经元的输出峰间期的pdf和（iii）没有反馈的同一神经元的pdf。这允许计算三个pdf中的任何一个，只要给出另外两个。相应的均值和方差之间的相似关系。对于绑定神经元模型，精确地检查关系。
2015-02-12 q-bio.NC
Relation between firing statistics of spiking neuron with delayed fast inhibitory feedback and without feedback
我们考虑一类尖峰神经元模型，定义了一组典型的基本阈值型模型的条件，如泄漏集成和消防或绑定神经元模型，也为一些人工神经元。一个神经元被输入一个泊松过程。每个输出脉冲在有限延迟$Δ$之后被施加到神经元本身。这种冲动的作用是通过快速Cl型抑制性突触传递。我们推导出一个一般的关系，它允许精确计算的概率密度函数（PDF）$p(t)$的输出脉冲间间隔的神经元与反馈的基础上已知的PDF $p^0(t)$相同的神经元没有反馈和反馈线的属性（$Δ$值）。相应的时刻之间的类似关系推导。此外，我们证明，初始段的pdf $p^0(t)$的神经元具有固定的阈值水平是相同的任何神经元满足所施加的条件，是完全由输入流。对于泊松输入流，我们精确地计算初始段，并基于它，精确地获得具有反馈的神经元的pdf $p(t)$的初始段。也就是说，$p(t)$的初始段也是与模型无关的。通过蒙特卡罗模拟对所得表达式进行了检验。$p(t)$的过程具有明显的特殊性，这使得不可能用泊松或其他简单的随机过程来近似$p(t)$。
2018-10-03 q-bio.NC
Macroscopic Dynamics of Neural Networks with Heterogeneous Spiking Thresholds
平均场理论将单个神经元的生理特性与神经元群体活动的涌现动力学联系起来。这些模型为研究不同尺度的大脑功能提供了一个重要的工具;然而，为了将它们应用于大规模的神经元群体，它们需要考虑不同神经元类型之间的差异。Izhikevich单神经元模型可以解释各种不同的神经元类型和尖峰模式，从而使其成为异构网络中脑动力学的平均场理论治疗的最佳候选者。在这里，我们推导出网络的所有到所有耦合Izhikevich神经元异质尖峰阈值的平均场方程。使用分歧理论的方法，我们研究的条件下，平均场理论准确预测的Izhikevich神经网络的动态。为此，我们专注于Izhikevich模型的三个重要特征，这些特征在这里受到简化假设的影响：（i）尖峰频率适应，（ii）尖峰重置条件，以及（iii）单细胞尖峰阈值在神经元中的分布。我们的研究结果表明，虽然平均场模型是不是一个精确的模型的Izhikevich网络动力学，它忠实地捕捉其不同的动态制度和相变。因此，我们提出了一个平均场模型，可以代表不同的神经元类型和尖峰动态。该模型是由生物物理状态变量和参数，结合现实的尖峰复位条件，并占神经尖峰阈值的异质性。这些功能允许广泛的适用性的模型，以及直接比较实验数据。
2022-09-07 cond-mat.dis-nn q-bio.NC
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
Towards a theory of cortical columns: From spiking neurons to interacting neural populations of finite size
神经元群体方程如神经质量或场模型被广泛用于大规模研究大脑活动。然而，这些模型与单个神经元性质的关系尚不清楚。在这里，我们推导出一个方程的几个相互作用的群体在介观尺度从随机连接的广义积分和消防神经元模型的微观模型。每个群体由50 - 2000个相同类型的神经元组成，但不同的群体占不同的神经元类型。我们发现的随机种群方程揭示了单神经元动力学中的尖峰历史效应（如不应性和适应性）如何与种群水平上的有限大小波动相互作用。随机介观方程的有效集成再现了从一个完整的尖峰神经网络模型的微观模拟获得的人口活动的统计行为。该理论描述了非线性涌现动力学，如多稳态网络中有限大小诱导的随机跃迁和兴奋性和抑制性神经元平衡网络中的同步。介观方程被用来快速模拟由八种神经元组成的局部皮层微电路模型。我们的理论建立了一个通用的框架，建模有限大小的神经元群体动力学的基础上单细胞和突触参数，并提供了一个有效的方法来分析皮层电路和计算。
2017-04-21 q-bio.NC
Gradient Descent for Spiking Neural Networks
Salk Institute（索尔克研究所）
尽管大脑中的信息处理主要由产生称为尖峰的离散脉冲的动态神经元执行，但许多关于神经计算的研究都基于产生模拟输出的静态神经元的网络模型。由于缺乏有效的尖峰网络监督学习算法，阻碍了基于尖峰计算的研究。在这里，我们提出了一个梯度下降法优化尖峰网络模型，通过引入一个可微的制定尖峰网络，并推导出精确的梯度计算。为了演示，我们在两个动态任务上训练了循环尖峰网络：一个是需要优化快速（~毫秒）基于尖峰的交互以有效编码信息，另一个是在延长的持续时间（~秒）内延迟记忆XOR任务。结果表明，我们的方法确实优化了尖峰网络动态的时间尺度上的个人尖峰以及行为的时间尺度。总之，我们的研究结果提供了一个通用的监督学习算法的尖峰神经网络，从而推动了进一步的研究基于尖峰的计算。
2017-06-19 cs.LG cs.NE q-bio.NC
First passage time distribution for spiking neuron with delayed excitatory feedback
研究了一类阈值为2的脉冲神经元模型。它是由一组典型的阈值型模型的条件，如泄漏积分和火灾（LIF）或绑定神经元模型，也为一些人工神经元。一个神经元被一串泊松兴奋性脉冲所刺激。每个输出脉冲在有限延迟$Δ$之后通过反馈线传送到神经元输入。该脉冲与从输入流传递的脉冲相同。我们已经得到了一个一般的关系，允许精确计算概率密度函数（PDF）$p(t)$的分布的第一次通过时间的阈值，这是分布的输出interspike间隔（ISI）的值为这个神经元。该计算基于没有反馈的相同神经元的已知PDF $p^0(t)$、输入流$λ$的强度和反馈线的属性。此外，我们推导出精确的关系计算$p(t)$的矩的基础上已知的$p^0(t)$。对LIF模型的情况，用Monte Carlo模拟对所得到的$p(t)$的一般表达式进行了数值检验。$p(t)$课程具有$δ$ -函数型特点。这一事实有助于讨论用泊松过程来模拟神经元活动的可能性，支持“否”的答案。
2019-08-19 q-bio.NC
Dynamical Entropy Production in Spiking Neuron Networks in the Balanced State
我们证明了确定性广泛的混乱在大型稀疏网络的theta神经元的平衡状态的动力学。分析是基于数值精确计算的全谱的李雅普诺夫指数，熵产生率和吸引子维数。广泛的混沌被发现在抑制性网络，并变得更加激烈时，兴奋人口。我们发现一个惊人的高熵产生率，将限制信息表示在皮层尖峰模式的即时刺激反应。
2010-12-10 cond-mat.dis-nn nlin.CD 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
Cellular Adaptation Accounts for the Sparse and Reliable Sensory Stimulus Representation
大多数外周感觉通路中的神经元最初在出现首选刺激时反应强烈，但随着刺激的继续而适应。目前还不清楚这种现象如何影响皮层感觉处理后期的刺激表征。在这里，我们表明，一个时间稀疏和可靠的刺激表示自然发展的网络与适应神经元。我们发现，细胞的适应起着至关重要的作用，在短暂的减少试验的皮层尖峰的变化，提供了一个广泛的，迄今无法解释的现象，通过一个简单的机制的解释。在昆虫嗅觉中，细胞适应足以解释蘑菇体中时间稀疏和可靠的刺激表示的出现，独立于抑制机制。我们的研究结果揭示了一个计算原理，涉及神经元放电率适应时间稀疏编码和变异抑制神经系统与顺序处理架构。
2012-10-26 physics.bio-ph q-bio.NC
Patterns of interval correlations in neural oscillators with adaptation
神经放电经常受到适应电流的负反馈。这些电流可以在尖峰之间的时间间隔之间引起强相关性。在这里，我们研究分析的间隔相关性的一个广泛的类别的嘈杂的神经振荡器与尖峰触发适应的任意强度和时间尺度。我们的弱噪声理论提供了相关性和振荡器的相位响应曲线（PRC）之间的一般关系，证明了相邻区间之间的反相关性，以适应神经元与I型PRC，并确定一个单一的顺序参数，确定定性模式的相关性。单调衰减或振荡相关结构可以与尖峰之后的定性不同的电压迹线相关，这可以通过相平面几何结构来解释。在高放电率下，与累积间期相关性相关的脉冲序列的长期变异性变小，与模型细节无关。我们的研究结果进行了验证，比较随机模拟的指数，泄漏，和广义集成和消防模型的适应。
2017-04-26 q-bio.NC
Impact of adaptation currents on synchronization of coupled exponential integrate-and-fire neurons
作者总结：大脑中神经元尖峰的同步与认知功能有关，如感知，注意力和记忆。因此，重要的是要确定神经元的哪些属性影响它们在网络中的集体行为，并了解如何影响。许多皮层神经元的一个显著特征是尖峰频率适应，这是由缓慢的跨膜电流引起的。我们研究了这些适应电流如何影响耦合模型神经元的同步趋势。使用有效的自适应指数积分和火灾（aEIF）模型和生物病理学详细的神经元模型进行验证，我们发现，增加适应电流促进同步的耦合兴奋性神经元在较低的尖峰频率，只要神经元之间的传导延迟可以忽略不计。另一方面，抑制性神经元在存在传导延迟的情况下同步，有或没有适应电流。我们的研究结果强调实用的aEIF模型的神经网络动力学的计算研究。我们的结论是，适应电流提供了在局部兴奋性神经元群体中产生低频振荡的机制，而更快的节律似乎是由抑制而不是兴奋引起的。
2013-10-09 q-bio.NC
SparseProp: Efficient Event-Based Simulation and Training of Sparse Recurrent Spiking Neural Networks
Zuckerman Mind Brain Behavior Institute, Columbia University（哥伦比亚大学祖克曼心智脑行为研究所）；Max Planck Institute for Dynamics and Self-Organization（马克斯·普朗克动力学与自组织研究所）；Göttingen Campus Institute for Dynamics of Biological Networks（哥廷根校区生物网络动力学研究所）
本文提出SparseProp，一种利用网络稀疏性的事件驱动算法，将脉冲神经网络模拟与训练的前向和反向计算成本从O(N)降至O(log(N))，实现百万LIF神经元网络的精确高效训练，加速超四个数量级。
2023-12-28 cs.AI cs.LG cs.NE
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
Propagation of spiking moments in linear Hawkes networks
Universitat Pompeu Fabra（庞培法布拉大学）；Institute of Neuroinformatics and Neuroscience Center Zurich, University of Zurich/ETH Zurich（苏黎世大学/苏黎世联邦理工学院苏黎世神经信息学与神经科学中心）；University of Bern（伯尔尼大学）
本文给出了线性Hawkes过程循环连通网络中尖峰活动高阶矩的精确数学表达式。它扩展了以前的研究，探讨了由确定性强度函数驱动的（线性）霍克斯网络的情况下，由外部输入（率函数或脉冲序列）与任意相关结构的刺激的情况下。我们的方法描述了时空滤波引起的传入和经常性的连接（与任意的突触反应内核），使用运营商的输入时刻。这种代数观点提供了关于网络成分如何塑造矩和累积量的输入-输出映射的直觉。我们还表明，使用数值模拟，我们的研究结果适用于神经元与自我抑制实施的耐火性，提供相应的负反馈，每个神经元只轻微改变其平均放电概率。
2019-12-16 cs.LG q-bio.NC
Exact analysis of the subthreshold variability for conductance-based neuronal models with synchronous synaptic inputs
本文提出一种基于可交换性和跳跃过程的分析框架，精确计算电导型神经元在同步突触输入下的阈下膜电位变异性，发现异步状态需大突触驱动，而皮层输入需弱同步性。
2023-12-28 math.PR q-bio.NC
Simulation of networks of spiking neurons: A review of tools and strategies
我们回顾了不同方面的模拟尖峰神经网络。我们首先回顾不同类型的仿真策略和算法，目前实施。接下来，我们将回顾这些模拟策略的精度，特别是在可塑性取决于尖峰的确切时间的情况下。我们概述了目前可用的不同模拟器和模拟环境（仅限于那些免费提供的，开源和文档）。对于每一个模拟工具，其优点和缺陷进行审查，目的是让读者识别哪个模拟器是适当的给定的任务。最后，我们提供了一系列的基准模拟不同类型的尖峰神经元网络，包括霍奇金-赫胥黎型，集成和消防模型，与基于电流或基于电导的突触，使用时钟驱动或事件驱动的集成策略。在不同的模拟器上实现了相同的模型集，并提供了代码。这篇评论的最终目标是提供一个资源，以促进确定适当的集成策略和仿真工具，用于一个给定的建模问题有关的尖峰神经网络。
2007-04-12 q-bio.NC
Capturing the dynamical repertoire of single neurons with generalized linear models
计算神经科学的一个关键问题是找到简单、易处理的模型，这些模型仍然足够灵活，可以捕获真实神经元的响应特性。在这里，我们研究的能力，经常性的点过程模型称为泊松广义线性模型（GLM）。这些模型是由一组线性滤波器，一个点的非线性，和条件泊松尖峰。它们具有理想的拟合统计特性，并已被广泛用于分析电生理记录的脉冲序列。然而，GLM的动态库尚未系统地与真正的神经元进行比较。在这里，我们表明，GLM可以再现一套全面的典型的神经反应行为，包括紧张和相位尖峰，爆发，尖峰频率适应，I型和II型兴奋，和两种形式的双稳态。GLM还可以捕获刺激依赖的尖峰定时精度和可靠性的变化，模仿在真实神经元中观察到的那些，并且可以表现出不同程度的随机性，从几乎确定性的响应到比泊松更大的可变性。这些结果表明，泊松GLM可以表现出广泛的动态尖峰行为，发现在真正的神经元，使他们非常适合定性动力学以及定量统计研究的单神经元和人口的响应特性。
2017-07-07 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
Emergence of resonances in neural systems: the interplay between threshold adaptation and short-term synaptic plasticity
在这项工作中，我们研究了在一定程度的噪声背景神经活动的存在下，通过发放神经元对弱刺激的检测。我们的研究集中在现实的假设，在网络中的突触呈现活动依赖的过程，如短期突触抑制和促进。采用平均场技术以及数值模拟，我们发现，有两种可能的噪声水平，优化信号传输。这一新发现与经典的随机共振理论相反，该理论只能预测一个最佳的噪声水平。我们发现，神经元阈值的非线性动力学和活动依赖性突触机制之间的复杂相互作用是造成这种新现象的原因。我们的研究结果得到证实，采用更现实的FitzHugh-Nagumo神经元模型，显示阈值的变化，以及考虑更现实的突触模型。我们支持我们的研究结果与最近的实验数据随机共振在人类的触觉眨眼反射。
2009-06-03 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
Mean field analysis of large-scale interacting populations of stochastic conductance-based spiking neurons using the Klimontovich method
我们调查的动态大规模相互作用的神经元群体，电导为基础的，尖峰模型神经元与可修改的突触连接强度，这可能也受到外部噪声电流。网络动力学是由一组神经元群体概率分布（$\mathrm{PPD}$），这是沿着相同的线构建的Klimontovich方法的动力学理论的等离子体控制。一个精确的非封闭的，非线性的，系统的积分偏微分方程推导出的$\mathrm{PPD}$的。按照惯例，闭合过程导致平均场极限。我们得到的方程与最近用严格的概率论方法导出的方程是同一类型的。这些所谓的McKean-Vlasov-Fokker-Planck方程的数值解只适用于无限大网络的极限，实际上表明，对于大而有限的网络，由$\mathrm{PPD}$得到的统计测度与通过随机动力系统的直接积分得到的统计测度是一致的。虽然数值解已经在Fitzhugh-Nagumo模型神经元的情况下得到，该理论可以很容易地应用到系统的Hodgkin-Huxley型模型神经元的任意尺寸。
2017-01-23 q-bio.NC
Event-Driven Contrastive Divergence for Spiking Neuromorphic Systems
受限玻尔兹曼机（RBM）和深度信念网络已被证明在各种应用中有效地执行，例如降维，特征学习和分类。它们在模拟大规模尖峰神经元网络的神经形态硬件平台上的实现可以从可扩展性、功耗和与环境的实时接口的角度具有显著的优势。然而，传统的RBM架构和常用的训练算法（称为对比发散（CD））是基于离散更新和精确运算，不直接映射到动态神经基板。在这里，我们提出了一个事件驱动的变化CD训练的RBM构建与整合和消防（I&F）神经元，这是由现有的和不久的将来的神经形态硬件平台的限制。我们的策略是基于神经采样，这使我们能够合成一个脉冲神经网络，从目标玻尔兹曼分布的样本。网络的循环活动取代了CD算法的离散步骤，而尖峰时间依赖可塑性（STDP）以在线异步方式进行权重更新。我们通过训练由具有STDP突触的泄漏I&F神经元组成的RBM来学习MNIST手写数字数据集的生成模型，并通过在识别，生成和提示集成任务中对其进行测试来证明我们的方法。我们的研究结果有助于机器学习驱动的方法，用于合成能够执行实用的高级别功能的尖峰神经元网络。
2013-12-09 cs.NE 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
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
Long short-term memory and learning-to-learn in networks of spiking neurons
尖峰神经元的递归网络（RSNN）是大脑惊人的计算和学习能力的基础。但RSNN模型的计算和学习能力仍然很差，至少与人工神经网络（ANN）相比是这样。我们解决两个可能的原因。一个是大脑中的RSNN不是随机连接的，也不是根据简单的规则设计的，它们不会像白板网络一样开始学习。相反，大脑中的RSNN通过进化、发展和先前的经验进行了优化。这些优化过程的细节在很大程度上是未知的。但是它们的功能贡献可以通过强大的优化方法来近似，例如时间反向传播（BPTT）。大脑中的RSNN和模型之间的第二个主要不匹配是，后者只显示了大脑中神经元和突触动力学的一小部分。我们在RSNN模型中包括神经元，这些神经元再现了生物神经元的一个突出的动力学过程，该过程发生在秒的行为相关时间尺度上：神经元适应。我们将这些网络称为LSNN，因为它们具有长短期记忆。如果通过深度学习（BPTT与优化网络架构的重新布线算法相结合）对RSNN进行训练和配置，则包含自适应神经元将大幅提高RSNN的计算和学习能力。事实上，这些RSNN的计算性能首次接近LSTM网络。此外，具有自适应神经元的RSNN可以从学习到学习（L2 L）方案中的先前学习中获取抽象知识，并转移这些知识，以便从很少的示例中学习新的但相关的任务。我们证明了这一点的监督学习和强化学习。
2018-12-25 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
Mapping Generative Models onto a Network of Digital Spiking Neurons
诸如受限玻尔兹曼机（RBM）的随机神经网络已经成功地用于从语音识别到图像分类的应用中。这些算法中的推理和学习使用称为吉布斯采样的马尔可夫链蒙特卡罗过程，其中逻辑函数形成该采样器的内核。另一方面，神经形态系统在低功耗和并行认知计算方面表现出了巨大的潜力，但缺乏合适的应用程序和自动化程序。在这项工作中，我们提出了一个系统的方法桥接RBM算法和数字神经形态系统，与生成模式完成任务的概念证明。为此，我们首先提出了一种方法，使用生物启发的数字噪声集成和消防神经元产生吉布斯采样器。接下来，我们将描述将离线训练的生成RBM映射到IBM TrueNorth神经突触处理器（一种低功耗数字神经形态VLSI基板）上的过程。将这些算法映射到神经形态硬件上，在网络连接和权重以及偏置量化方面提出了独特的挑战，这反过来又需要物理实现的架构和设计策略。生成的性能指标进行了分析，以验证神经形态的要求，并选择最好的模型的神经元参数。最后，我们描述了一个设计自动化过程，实现最佳的资源利用率，占新的硬件适应。这项工作是第一次实现生成RBM推理的神经形态VLSI基板上。
2015-10-09 cs.NE q-bio.NC
Spatial Spiking Neural Networks Enable Efficient and Robust Temporal Computation
Delft University of Technology（代尔夫特理工大学）；Erasmus Medical Center（伊拉斯姆斯医学中心）
空间脉冲神经网络通过学习神经元空间坐标替代延迟学习，实现高效且稳健的时间计算，适用于神经形态系统。
2025-12-17 cs.NE q-bio.NC
A mean-field model for conductance-based networks of adaptive exponential integrate-and-fire neurons
电压敏感染料成像（VSDi）揭示了新皮层处理在介观尺度上的基本特性。由于VSDi信号报告平均膜电位，因此使用平均场形式主义来建模此类信号似乎是自然的。在这里，我们研究了自适应指数（AdEx）集成和消防神经元网络的平均场模型，与基于电导的突触相互作用。AdEx模型可以捕获不同类型细胞的尖峰响应，例如规则尖峰（RS）兴奋性神经元和快速尖峰（FS）抑制性神经元。我们使用一个主方程形式主义，再加上一个半解析的方法来传递函数的AdEx神经元。我们比较这个平均场模型的预测模拟网络的RS-FS细胞，首先在网络的自发活动的水平，这是很好的预测平均场模型。其次，我们研究了网络对时变外部输入的响应，并表明平均场模型准确地预测了种群的响应时间过程。一个值得注意的例外是，在很长一段时间的“尾巴”的反应没有很好地预测，因为平均场不包括适应机制。我们的结论是，主方程形式主义可以产生平均场模型，预测与基于电导的相互作用和各种电生理特性的非线性网络的行为，应该是一个很好的候选人模型的VSD i信号，兴奋性和抑制性神经元的贡献。
2017-03-02 q-bio.NC
S4NN: temporal backpropagation for spiking neural networks with one spike per neuron
Shahid Beheshti University（沙希德·贝赫什提大学）；CNRS（法国国家科学研究中心）；Universite Toulouse 3（图卢兹第三大学）
我们提出了一个新的监督学习规则的多层脉冲神经网络（SNN），使用一种形式的时间编码称为秩顺序编码。在这种编码方案下，所有神经元对每个刺激都只发射一个尖峰，但发射顺序携带着信息。特别地，在读出层中，第一个被激发的神经元决定了刺激的类别。我们推导出一种新的学习规则，这种网络，命名为S4 NN，类似于传统的误差反向传播，但基于lavelet。我们展示了如何近似的误差梯度可以向后计算的前馈网络中的任何层数。这种方法通过监督多个全连接层SNN达到了最先进的性能：MNIST数据集的测试准确率为97.4%，加州理工学院Face/Motorbike数据集的测试准确率为99.2%。然而，我们使用的神经元模型，非泄漏积分和发射，比以前所有工作中使用的模型简单得多。拟议的S4 NN的源代码可在https://github.com/SRKH/S4NN上公开获得。
2020-06-13 cs.CV cs.LG cs.NE
Suppression of synchronous spiking in two interacting populations of excitatory and inhibitory quadratic integrate-and-fire neurons
集体振荡及其抑制外部刺激分析了一个大规模的神经网络组成的两个相互作用的群体的兴奋性和抑制性的二次积分和消防神经元。在无限数量的神经元的限制下，该网络的微观模型可以简化为精确的低维平均场方程组。这些方程的分岔分析揭示了三种不同的动态模式在一个自由网络：一个稳定的休息状态，一个稳定的极限环，并与共存的休息状态和极限环的双稳定性。我们发现，在极限环模式下，高频刺激的抑制种群可以稳定不稳定的静息状态，并有效地抑制集体振荡。我们还表明，在非线性模式下，网络的动力学可以从一个稳定的极限环切换到一个稳定的静息状态，通过施加抑制脉冲的兴奋性人口。从平均场方程得到的结果证实了微观模型的数值模拟。
2021-07-05 nlin.CD q-bio.NC
Low-dimensional spike rate models derived from networks of adaptive integrate-and-fire neurons: Comparison and implementation
单个神经元的放电活动可以很好地描述了一个非线性集成和发射模型，包括躯体适应。当暴露于波动的输入稀疏耦合的人口，这些模型神经元表现出随机的集体动态，可以有效地使用福克-普朗克方程的特点。[...]在这里，我们从该描述中推导出四个简单的模型的穗率动力学的低维常微分方程，使用两种不同的减少技术：一个使用的频谱分解的福克-普朗克算子，另一个是基于级联的两个线性滤波器和非线性，这是确定从福克-普朗克方程和半解析近似。我们评估了各种生物学上合理的输入统计量的简化模型，发现这两种近似方法导致尖峰速率模型，准确地再现了潜在的自适应集成和消防人口的尖峰行为。[...]低维模型也很好地再现了稳定的振荡尖峰速率动态，这是由经常性的突触兴奋和神经元适应。[...]我们已经提供了实现，允许数字集成的低维尖峰速率模型，以及福克-普朗克偏微分方程的任意模型参数化的有效方法作为开源软件。导出的尖峰速率的描述保留了一个直接的链接到单个神经元的属性，允许方便的数学分析的网络状态，并且非常适合于应用在神经质量/平均场为基础的脑网络模型。
2017-07-19 q-bio.NC
Noise-induced interspike interval correlations and spike train regularization in spike-triggered adapting neurons
神经元中的尖峰产生产生时间点过程，其统计由内在现象和待编码的外部传入输入支配。特别是，尖峰诱发的适应电流支持一个缓慢的时间过程，条件尖峰概率在目前的时间根据过去的活动。在这项工作中，我们研究的统计数据，在这样的非更新脉冲序列，神经元模型，再现不同的尖峰模式在一个小的适应情况下产生的尖峰间期的相关性。我们发现，当神经元以特定的放电率放电时，相关性会更强，这是由适应过程定义的。当设置在亚阈值状态时，神经元可以维持该特定的放电速率，并且因此通过噪声诱导相关性。鉴于，在这种制度下，interspike间隔是负相关的任何滞后，这种效果令人惊讶地意味着减少在有限的噪声强度的尖峰计数统计的变化。
2016-10-28 cond-mat.dis-nn physics.bio-ph q-bio.NC
Spectral theory for population density dynamics of spiking neurons with refractoriness
Istituto Superiore di Sanità（意大利高等卫生研究所）
研究具有不应期的脉冲神经元群体密度动力学问题，通过建立算子理论框架，推导精确传递函数，揭示不应期对振荡的影响，为计算神经科学谱分解方法提供严格基础。
2026-07-24 math-ph math.MP math.SP
Spiking input-output relation for general biophysical neuron models
皮质神经元包括许多亚细胞过程，在多个时间尺度上操作，这可能通过与离子通道和离子浓度的非线性和随机相互作用来影响它们对刺激的响应。由于新的过程不断被发现，生物物理神经元模型越来越变得“太复杂而无用”，但“太简单而不现实”。理论神经科学中一个基本的悬而未决的问题是如何解决这个僵局。为了解决这个问题，我们首先定义了“可兴奋神经元模型”的概念。然后，我们解析地推导出这样的神经元模型的输入-输出关系，根据已知的生物物理特性，将输入脉冲序列与输出脉冲联系起来。因此，我们得到封闭形式的平均放电率，所有的二阶统计量（输入-状态-输出相关性和频谱）和构造最佳线性估计的神经元响应和内部状态。这些结果是保证持有，给出了一些通用的假设，任何随机生物物理神经元模型（具有任意数量的缓慢动力学过程）一般稀疏刺激。这个解决方案表明，忽略神经元复杂性的常见简化方法实际上可能是不必要的，甚至在某些情况下是有害的。具体来说，离子通道的随机性和输入的时间稀疏性正是使我们的分析易于处理的原因，使我们能够将慢动力学纳入其中。
2014-04-29 q-bio.NC
