A homotopic mapping between current-based and conductance-based synapses in a mesoscopic neural model of epilepsy
大脑状态的变化,如在许多神经系统疾病如癫痫中发现的,通常被描述为介观神经模型中的分叉。几乎所有这些模型都依赖于一种数学上方便,但生物物理学上不准确的描述神经元的突触输入,称为基于电流的突触。我们开发了一个新的分析框架,以分析一个更生物药理学现实的描述,被称为电导为基础的突触的影响。这些都是在介观神经模型中实现的,并通过一个单参数同伦映射与标准近似进行比较。使用同伦参数的分叉分析表明,如果在这类模型中使用更现实的突触耦合机制,则在相同的参数空间中不会发生分叉或过渡到异常的大脑状态。我们表明,更现实的耦合有额外的数学参数,需要一个根本不同的生物物理机制进行状态转换。这些结果证明了在介观神经模型中纳入更真实的突触的重要性,并挑战了以前模型的准确性,特别是那些描述癫痫等大脑状态转变的模型。
2018-12-16 cond-mat.dis-nn physics.bio-ph q-bio.NC
Optimal self-induced stochastic resonance in multiplex neural networks: electrical versus chemical synapses
电突触和化学突触塑造了神经网络的动力学,它们在信息处理中的功能作用一直是神经生物学中的一个长期问题。在本文中,我们研究的作用,突触的自诱导随机共振现象的优化延迟多路神经网络,通过使用解析和数值方法。我们考虑一个两层多路复用网络,其中在层内水平的神经元耦合的电突触或抑制性化学突触。对于每一个孤立的层,计算表明,较弱的电和化学突触耦合是更好的自诱导随机共振的优化。此外,不管突触强度如何,发现较短的电突触延迟比较短的化学突触延迟更好地优化了该现象,而较长的化学突触延迟比较长的电突触延迟更好地优化了该现象-在这两种情况下,较差的优化器实际上是最差的。据发现,电,抑制性,或兴奋性化学复用的两个层只有电突触在层内的水平可以优化的现象。并且只有在层内水平上仅具有抑制性化学突触的两个层的兴奋性化学复用可以优化该现象。这些结果可以指导旨在建立或确认人工神经回路网络以及实际生物神经网络中的自诱导随机共振机制的实验。
2020-06-13 nlin.AO q-bio.NC
Diversity of neuronal activity is provided by hybrid synapses
许多实验已经证明,电突触和化学突触-混合突触-共存于大多数生物体和大脑结构中。在不同复杂度的网络中,人们分别研究了电突触和化学突触连接在神经活动产生多样性中的作用。然而,混合突触在不同的动力学状态的神经网络的自组织和鲁棒性的理论认识仍然没有得到充分的研究。在这里,我们提出了一个神经网络的混合突触建立的模型来研究全局和集体动力学状态的出现。该神经网络由相互作用的兴奋性和抑制性群体组成。在小世界拓扑结构中,兴奋性群体通过兴奋性突触连接,其相邻的神经元也通过间隙连接连接。抑制性群体仅通过具有全对全相互作用的化学抑制性突触连接。我们的数值模拟表明,在平衡的网络与电耦合的情况下,这种架构产生的同步状态主要是由神经元之间的异质性和兴奋性和抑制性输入的平衡控制。在具有强电耦合的平衡网络中,几种动力学状态由兴奋性和抑制性权重的不同组合产生。更重要的是,我们发现,这些国家,如同步点火,集群同步,和各种涟漪事件,出现轻微修改的化学耦合权重。对于足够大的电突触耦合,整个神经网络变得同步。我们的结果为研究混合突触在神经功能中的作用的动力学机制和计算意义奠定了基础。
2019-11-06 nlin.AO physics.bio-ph q-bio.NC
The combined effect of chemical and electrical synapses in small Hindmarsch-Rose neural networks on synchronisation and on the rate of information
在这项工作中,我们研究了化学和电突触在小网络的Hindmarsh-Rose(HR)神经元的同步行为和网络产生的信息(每时间单位)的速率的联合行动。我们表明,如果化学突触是兴奋性的,较大的化学突触强度使用较小的电突触强度需要实现完全同步,和中度的突触强度应该期望找到desynchronous行为。否则,如果化学突触是抑制性的,则所使用的化学突触强度越大,实现完全同步所需的电突触强度就越大,并且对于中等突触强度,人们应该期望找到同步行为。最后,我们将展示如何计算半解析的上限,在较大的网络中,每单位时间产生的信息(Kolmogorov-Sinai熵)的速率。作为一个应用,我们表明,这个上限是线性成比例的神经元的数量在网络中的神经元是高度连接的。
2011-04-13 nlin.CD q-bio.NC
Dynamical synapses causing self-organized criticality in neural networks
我们表明,网络的尖峰神经元表现出强大的自组织临界性,如果突触的功效遵循现实的动态。推导出平均耦合强度和峰间间隔的解析表达式,我们证明了动态突触的网络具有广泛的相互作用参数的临界雪崩动力学。我们证明,在临界极限的网络成为关键的所有足够大的耦合参数。因此,我们解释了实验观察中,皮层神经元显示雪崩活动的发射事件的总强度分布为幂律。
2007-12-06 cond-mat.dis-nn cond-mat.stat-mech q-bio.NC
Role of zero synapses in unsupervised feature learning
RIKEN Brain Science Institute(理化学研究所脑科学中心)
真实神经回路中的突触可以取离散值,包括零(沉默或潜在)突触。零突触在无标记噪声数据的无监督特征学习中的计算作用尚不清楚,因此理解突触活动的稀疏性在学习过程中如何形成及其与感受野形成的关系是重要的。在这里,我们通过统计力学方法来制定这种稀疏特征学习。我们发现学习减少了零突触的比例,当该比例在临界数据大小附近迅速减少时,内在结构的感受野开始发展。进一步增加数据大小可以细化感受野,而零突触的一小部分仍然充当轮廓检测器。这种现象不仅在学习手写数字数据集时被发现,而且在学习自然电影刺激实验中测量的视网膜神经活动时也被发现。
2018-01-10 cond-mat.dis-nn cond-mat.stat-mech cs.LG
Firing rate homeostasis counteracts changes in stability of recurrent neural networks caused by synapse loss in Alzheimer's disease
阿尔茨海默氏症患者认知功能的损害与突触丧失明显相关。然而,这种相关性的机制知之甚少。在这里,我们研究如何在稀疏连接的随机网络的尖峰兴奋性和抑制性神经元的兴奋性突触的损失改变其动力学特性。除了对网络活动统计的影响外,我们发现兴奋性神经元上兴奋性突触的丧失使网络动态向稳定状态转变。对时变输入的小扰动的灵敏度的降低可以被认为是计算能力降低的指示。网络性能的完全恢复可以通过放电率稳态来实现,这里通过放大剩余的兴奋性-兴奋性突触来实现。通过分析线性化网络动力学的稳定性,我们解释了稳态如何同时保持网络的发射率和对小扰动的敏感性。
2019-09-03 q-bio.NC
Subdominant Dense Clusters Allow for Simple Learning and High Computational Performance in Neural Networks with Discrete Synapses
我们表明,离散突触权重可以有效地用于大规模神经系统的学习,并导致意外的计算性能。我们专注于学习随机模式的单层网络中的二进制突触的代表性情况。标准的统计分析表明,这个问题是指数主导的孤立的解决方案,是非常难以找到算法。在这里,我们介绍了一种新的方法,使我们能够找到分析证据的次优势和极其密集的区域的解决方案的存在。数值实验证实了这些发现。我们还表明,密集的区域是令人惊讶的简单的学习协议,这些突触配置是强大的扰动和推广比典型的解决方案。这些结果扩展到具有多个状态的突触和更深层次的神经架构。大偏差度量还建议如何基于局部熵最大化设计新的优化算法方案。
2015-09-18 cond-mat.dis-nn q-bio.NC stat.ML
Nonlinear computations in spiking neural networks through multiplicative synapses
大脑通过其复杂的尖峰神经元网络有效地执行非线性计算,但如何做到这一点仍然难以捉摸。虽然非线性计算可以在尖峰神经网络中成功实现,但这需要监督训练,并且由此产生的连接性可能难以解释。相比之下,线性动力系统形式的任何计算所需的连接性都可以通过尖峰编码网络(SCN)框架直接导出和理解。这些网络也具有生物学上真实的活动模式,并且对细胞死亡非常强大。在这里,我们扩展了SCN框架,直接实现任何多项式动力系统,而不需要训练。这导致网络需要混合突触类型(快速,慢速和乘法),我们称之为乘法尖峰编码网络(mSCN)。使用mSCN,我们演示了如何直接导出几个非线性动力系统所需的连接。我们还展示了如何进行高阶多项式与耦合网络,只使用成对乘法突触,并提供预期数量的连接每种突触类型。总的来说,我们的工作展示了一种新的方法,用于在尖峰神经网络中实现非线性计算,同时保持标准SCN的吸引力特征(鲁棒性,现实的活动模式和可解释的连接性)。最后,我们讨论了我们的方法的生物相容性,以及如何高精度和鲁棒性的方法可能是感兴趣的神经形态计算。
2021-11-22 cs.NE q-bio.NC
Physical Foundations of Consciousness: Brain Organisation: The Role of Synapses
我们已经将意识的许多方面分析为两个不同的类别。第一个:任何时候神经网络的组织状态,它决定了一个人是有意识的清醒,还是无意识的睡眠。第二:在这些网络中电子信号传输的基础上的过程,解释了所有有意识的意识体验。这篇论文解决了前者;即,数十亿神经网络和数万亿额外的轴突、树突和突触的状态如何在日常周期中变化--当我们睡觉时会发生什么物理变化--当我们醒来时会发生什么。我们认为,突触裂缝的宽度不是固定的,而是可变的,这种跨越突触的可变张力是意识的神经关联。
2009-07-13 q-bio.NC
Variational mean-field theory for training restricted Boltzmann machines with binary synapses
Sun Yat-sen University(中山大学)
只需要原始数据的无监督学习不仅是大脑皮层的基本功能,也是下一代人工神经网络的基础。然而,一个统一的理论框架来处理感觉输入,突触和神经活动在一起仍然缺乏。计算障碍源于突触的离散性以及学习这三个基本要素之间的复杂相互作用。在这里,我们提出了一个变分平均场理论,其中突触权重的分布被认为是。然后,无监督学习可以分解为两个相互交织的步骤:最大化步骤被执行为数据对数似然的下限的梯度上升,其中通过更新变分参数来确定突触权重分布,并且在等效或对偶神经网络上执行期望步骤作为消息传递过程,所述等效或对偶神经网络的参数由权重的变化参数指定分布因此,我们的框架提供了关于数据(或感觉输入),突触和神经活动如何相互作用的见解,以实现在感觉输入中提取统计特征的目标。这种变分框架在限制玻尔兹曼机与种植突触权重和手写数字学习中得到验证。
2020-08-18 cond-mat.dis-nn cs.LG cs.NE
Maximum memory capacity on neural networks with short-term depression and facilitation
在这项工作中,我们研究,分析和采用Monte Carlo模拟,几个活动依赖的突触过程,如短期突触促进和抑郁症之间的竞争的影响,在神经网络的最大记忆存储容量。与突触抑制的情况相比,它大大降低了网络存储和检索“静态”活动模式的能力,突触易化增强了不同背景下的存储能力。特别是,我们发现了最佳值的相关突触参数(如神经递质的释放概率或特征促进时间常数)的存储容量可以是最大的,类似于静态突触,也就是说,没有活动依赖的过程。我们的结论是,抑制具有一定易化水平的突触可以恢复静态突触网络的良好检索特性,同时保持动态突触的非线性特性,便于信息处理和编码。
2008-09-11 cond-mat.dis-nn 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
A Synapse-Threshold Synergistic Learning Approach for Spiking Neural Networks
University of Electronic Science and Technology of China(电子科技大学);Sichuan Provincial People’s Hospital(四川省人民医院);Chinese Academy of Medical Sciences(中国医学科学院);Zhengzhou University(郑州大学)
本研究提出一种在脉冲神经网络中同时训练突触权重和脉冲阈值的突触-阈值协同学习方法(STL-SNNs),在多种数据集上表现优异,具备鲁棒性和低能耗,并能通过联合决策框架进一步提升性能。
2023-04-03 cs.AI cs.NE q-bio.NC
Dynamics and spike trains statistics in conductance-based Integrate-and-Fire neural networks with chemical and electric synapses
我们研究了电突触(间隙连接)对集体神经元动力学和尖峰统计的影响,在一个基于电导的Integrate-and-Fire神经网络中,由布朗噪声驱动,电导取决于尖峰历史。我们明确计算的时间演化算子,并表明,给定的尖峰历史的网络和膜电位在给定的时间,进一步的动态演化可以写在一个封闭的形式。我们表明,尖峰训练统计描述的吉布斯分布,其潜力可以近似与一个明确的公式,当噪声是弱的。这种潜在的形式包括现有的尖峰序列统计分析模型,如最大熵模型或广义线性模型(GLM)。我们还讨论了不同类型的相关性:由共享刺激引起的相关性和由神经元相互作用引起的相关性。
2012-12-14 math-ph math.MP physics.bio-ph
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
Resolution enhancement in neural networks with dynamical synapses
传统上,信息由神经系统中的尖峰频率表示。在这里,我们考虑的能力,在神经元网络中的时间调制活动进行额外的信息,以穗率。这些时间调制,通常被称为群体尖峰,是由于神经元网络模型中突触抑制的存在。我们讨论了它的相关性的实验中的猕猴的透明运动Treue等人。在2000年。他们发现,如果物体的移动方向太近,射击率曲线将与一个方向非常相似。当物体运动方向的差异足够大时,神经元系统将以这样一种方式做出响应,即网络增强了物体运动方向的分辨率。在本文中,我们提出,这种行为可以重现神经网络与动态突触时,有多个外部输入。我们将演示如何实现分辨率增强,并讨论在何种条件下,时间调制的活动能够提高一般的信息处理性能。
2013-05-17 physics.bio-ph q-bio.NC
Basic Neural Units of the Brain: Neurons, Synapses and Action Potential
作为[29]的后续教程文章,在本文中,我们将介绍人脑的基本组成单元,这将进一步说明大脑的细胞水平生物结构。平均而言,人类大脑包含约1000亿个神经元和更多的神经胶质细胞,用于支持和保护神经元。每个神经元可以连接到多达10,000个其他神经元,通过多达1,000万亿个突触相互传递信号。在神经系统中,突触是允许神经元将电或化学信号传递到另一个神经元或靶效应细胞的结构。这样的信号将被累积为神经元的膜电位,并且它将触发并传递信号脉冲(即,当膜电位大于精确定义的阈值电压时,将动作电位)传递给其它神经元。更具体地说,本文将详细讨论神经元、突触和动作电位的概念。本文中使用的许多材料来自维基百科和其他几篇神经科学入门文章,本文将适当引用这些文章。这是关于大脑的三篇教程文章中的第二篇(另外两篇是[29]和[28])。建议读者在阅读本文之前阅读之前的教程文章[29],以获得更多关于大脑结构和功能的背景信息。
2019-05-30 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
Spin switches for compact implementation of neuron and synapse
由自旋电流驱动的纳米磁体为神经元和突触提供了一种自然的实现方式:电流允许方便地对多个输入求和,而磁体提供阈值功能。本文的目的是探讨硬件神经网络(HNN)的实现使用自旋开关(SS)作为其基本构建块的可能性。SS是最近提出的一种器件,基于已建立的技术,具有类似晶体管的增益和输入输出隔离。这使得神经网络可以用纯粹的无源互连来构建,而无需插入时钟或放大器。神经网络的权重通过模拟电压方便地调整,该模拟电压可以使用浮栅低压差稳压器以非易失性方式存储在下面的CMOS层中。操作的多层SS神经网络设计用于字符识别的演示使用一个标准的仿真模型耦合的Landau-Lifshitz-Gilbert(LLG)方程的基础上,一个网络中的每个磁铁。
2016-09-26 cond-mat.mes-hall q-bio.NC
Scaling to 1024 software processes and hardware cores of the distributed simulation of a spiking neural network including up to 20G synapses
这篇简短的报告描述了塑料脉冲神经网络的分布式模拟器的扩展,高达1024个软件过程和硬件核心。以前的报告表明,模拟器具有良好的可扩展性,最多可达128个进程。在这里,我们扩展到1和1024个软件进程和硬件核心之间的范围内的模拟器的加速测量和强弱缩放分析。我们模拟了皮质柱的二维网格,包括连接~ 11 M神经元的~ 20 G突触。神经网络分布在一组MPI进程上,模拟在由多达64个双插槽节点组成的服务器平台上运行,每个插槽配备Intel Haswell E5-2630 v3处理器(8核@2.4 GHz时钟)。所有节点通过InfiniBand网络互连。DPSNN模拟器由INFN在EURETILE和CORTICONIC欧洲FET项目的框架内开发,并将在人脑项目(HBP)子项目2 -认知和系统神经科学的框架内由WaveScalEW tem使用。本报告为与神经模拟工具NEST进行更全面的比较奠定了基础。
2015-11-30 cs.DC q-bio.NC
Comparison between an exact and a heuristic neural mass model with second order synapses
神经质量模型(Neural mass models,NMDs)是用来再现神经元群体的集体动力学的。NMM的一个通用框架假设神经元群体的输出放电率可以用静态非线性传递函数(NMM 1)来描述。然而,最近一个精确的平均场理论二次积分和消防(QIF)神经元的挑战,这一观点表明,平均放电率是不是一个静态的神经元状态的函数,但以下两个耦合的非线性微分方程(NMM 2)。在这里,我们分析和比较这两个描述的存在下,二阶突触动力学。首先,我们推导出两个模型在无限慢突触极限下的数学等价性,即,我们表明,在这种情况下,NMM 1是NMM 2的近似。接下来,我们通过分析具有抑制性或兴奋性突触的模型的动力学特性,来评估这种限制在现实生理参数值的背景下的适用性。我们发现,NMM 1无法再现精确模型的重要动力学特征,例如抑制性中间神经元QIF网络的自维持振荡。此外,在精确的模型,但不是在限制一个,刺激的锥体细胞群体诱导共振振荡活动,其峰值频率和振幅的自耦合增益和外部兴奋性输入的增加。这可能在密集连接的网络对弱均匀输入的增强反应中发挥作用,例如非侵入性脑刺激产生的电场。
2022-06-15 math.DS nlin.AO q-bio.NC
Optimal Learning with Excitatory and Inhibitory synapses
描述权结构和输入/输出统计之间的关系是理解神经电路计算能力的基础。在这项工作中,我研究的问题,存储之间的关联存在的相关性模拟信号,使用统计力学的方法。我的特点是典型的学习性能的随机输入和输出过程的功率谱。我发现,最佳的突触重量配置达到0.5的能力,任何分数的兴奋性抑制的重量,并有一个特殊的突触分布与沉默突触的有限部分。我进一步提供了典型的学习成绩和主成分分析在单一情况下之间的联系。这些结果可能会揭示大脑回路的突触轮廓,如小脑结构,被认为参与处理时间依赖性信号和执行在线预测。
2020-05-25 cond-mat.dis-nn cs.NE q-bio.NC
The Price of Cognition and Replicator Equations in Parallel Neural Networks
本文提出融合 Wardrop 原理的脑网络数学模型,定义神经肽/神经递质均衡、突触最优与认知代价,并用复制子方程刻画突触最优形成。
2024-06-10 math.DS math.OC q-bio.NC
Mesoscopic population equations for spiking neural networks with synaptic short-term plasticity
粗粒度的生物神经网络的微观模型,以获得神经活动的介观模型是迈向多尺度模型的重要一步。在这里,我们扩展了最近的理论介观种群动力学与静态突触的情况下,动态突触表现出短期可塑性(STP)。在假设尖峰到达突触有泊松统计,我们推导出解析随机平均场动力学进行Tsodyks-Markram STP的有限大小的人口之间的有效突触耦合。新的平均场方程既考虑了有限数量的突触,又考虑了神经递质释放概率与可用突触资源分数之间的相关性。与Monte Carlo模拟的微观模型的比较表明,在前馈和经常性网络的介观平均场模型准确地再现随机实现的总突触输入到突触后神经元和帐户之间的随机开关向上和向下的状态,以及人口尖峰。扩展介观人口理论的尖峰神经网络与STP可能是有用的系统减少详细的生物物理模型的皮质微电路的有效和数学上易于处理的平均场模型。
2018-12-21 q-bio.NC
Reconstructing Neural Parameters and Synapses of arbitrary interconnected Neurons from their Simulated Spiking Activity
为了理解神经回路的行为,我们有一个先决条件,即我们有一个描述这个回路的动力系统模型。该模型由几个参数决定,不仅包括突触权重,还包括每个神经元的参数。现有的工作主要集中在突触权重或神经元参数。在本文中,我们提出了一种算法来重建所有参数,包括突触的尖峰神经元模型的权重。该模型以尤金·M. Izhikevich(Izhikevich 2007)由两个微分方程组成,涵盖了不同类型的皮层神经元。它结合了Hodgkin-Huxley型动力学的动力学性质和高计算效率。所提出的算法使用相应的膜电位的模型的重建的记录,并由两个主要组成部分。第一部分是一个基于秩的遗传算法(GA),它是用来找到模型的神经参数。第二种方法是最小均方方法,该方法通过最小化每个时间步长的计算和测量的膜电位之间的平方误差来计算所有互连神经元的突触权重。在准备重建的神经参数和突触的权重,从实际测量的膜电位,有前途的结果的基础上产生的随机参数化Izhikevich模型的模拟数据。该方法不仅收敛于神经元参数的全局最小值,而且能够高精度地逼近神经元的突触权值。
2016-08-22 cs.NE q-bio.NC
Stability of Fractional-Order Discrete-Time Systems with Application to Rulkov Neural Networks and Asymmetric Memristor Synapses
Imam Khomeini International University(伊玛目霍梅尼国际大学);University of Turku(图尔库大学)
针对忆阻器耦合分数阶离散神经模型研究不足,提出两类 Rulkov 神经元系统并给出通用稳定性区域定理。
2025-09-30 q-bio.NC
Dynamical Synapses Enhance Neural Information Processing: Gracefulness, Accuracy and Mobility
实验数据表明,神经元连接效能表现出两种形式的短期可塑性,即短期抑制(STD)和短期易化(STF)。它们具有位于快速神经信号和快速学习之间的时间常数,并且可以作为神经系统在相关时间尺度上操纵时间信息的底物。本研究探讨了STD和STF对连续吸引子神经网络(CANN)动力学的影响及其在神经信息处理中的潜在作用。我们发现,STD赋予网络缓慢衰减的高原行为-网络,最初被刺激到一个活跃的状态衰减到一个沉默的状态非常缓慢的时间尺度上的STD,而不是神经信号的时间尺度。这为神经系统提供了一种机制,可以轻松地保持感官记忆,并优雅地关闭持续的活动。通过STF,我们发现网络可以在促进的神经元相互作用中保持外部输入的记忆痕迹,这提供了一种稳定网络对噪声输入的响应的方法,从而提高了群体解码的准确性。此外,我们发现STD增加了网络状态的移动性。增加的移动性增强了网络响应于时变刺激的跟踪性能,从而导致预期的神经响应。在一般情况下,我们发现,STD和STP往往有相反的网络动态和互补的计算优势的影响,这表明大脑可能会采用一种策略,根据计算的目的不同的加权。
2012-04-05 cond-mat.dis-nn physics.bio-ph q-bio.NC
Neural networks with dynamical synapses: from mixed-mode oscillations and spindles to chaos
了解短时程突触抑制(STSD)和其他形式的突触可塑性是神经科学中的一个热点问题。在这里,我们研究STSD在形成复杂的脑节律模式中的作用。我们使用一个皮层电路模型的神经网络组成的不规则尖峰兴奋性和抑制性神经元具有1型和2型兴奋性和随机动力学。在该模型中,神经元形成稀疏连接的网络,它们的自发活动由代表突触噪声的随机尖峰驱动。通过模拟和分析计算,我们发现,如果STSD不存在,神经网络会显示异步行为或规则的网络振荡,这取决于噪声水平。在具有STSD的网络中,改变突触可塑性和噪声水平的参数,我们观察到向复杂模式的集体活动的过渡:混合模式和纺锤体振荡,集体活动的爆发和混沌行为。有趣的是,这些图案在一定的参数范围内是稳定的,并由临界边界分隔。因此,突触可塑性的参数可以在不同的网络状态之间起到控制参数或开关的作用。然而,由疾病引起的参数变化可能导致正在进行的神经活动的显著损害。我们通过使用混沌的0 - 1测试(Gottwald,G. &墨尔本,I.,#20004;,并表明它具有集体性。
2012-11-24 cond-mat.dis-nn physics.bio-ph q-bio.NC
Impact of exponential long range and Gaussian short range lateral connectivity on the distributed simulation of neural networks including up to 30 billion synapses
最近的实验神经科学研究指出了长距离区域内连接的作用,可以通过突触概率分布的距离依赖性指数衰减来建模。这份简短的报告提供了一个初步措施的影响指数衰减横向连接相比,较短范围的高斯衰减的缩放行为和内存占用的分布式脉冲神经网络模拟器(DPSNN)。由点状尖峰神经元组成的皮质柱的二维网格已经通过使用指数和高斯连接模型连接了多达300亿个突触。多达1024个硬件核心,托管在一个64节点的服务器平台上,执行组成分布式模拟器的MPI进程。硬件平台是IBM NX 360 M5 16核计算节点集群,每个节点包含两个Intel Xeon Haswell 8核E5-2630 v3处理器,时钟为2.40 GHz,通过InfiniBand网络互连。本研究是在皮质FET项目的框架内进行的,同时也考虑到了作为人脑项目(HBP)子项目3认知和系统神经科学WaveScalES工作包的一部分的下一个开始活动。
2015-12-16 cs.DC q-bio.NC
Correlations between synapses in pairs of neurons slow down dynamics in randomly connected neural networks
随机连接的神经元网络是理论神经科学中最流行的模型之一。然而,皮层神经元之间的连接并不是完全随机的,在实验数据中发现的最简单和最显著的随机性偏差是锥体细胞之间的双向连接的过度表现。利用数值和解析方法,我们研究了部分对称连通性对速率单元网络动力学的影响。我们考虑了随机神经网络表现出的两种动力学机制:弱耦合机制,其中放电活动衰减到一个单一的固定点,除非网络受到刺激,以及强耦合或混沌机制,其特征在于内部产生的波动放电率。在弱耦合制度,我们计算分析任意程度的对称性的自相关网络活动存在外部噪声。在混沌状态下,我们进行了模拟,以确定内在波动的时间尺度。在这两种情况下,对称性增加了自相关函数的特征渐近衰减时间,因此减慢了网络中的动态。
2018-07-06 q-bio.NC
Robust entropy requires strong and balanced excitatory and inhibitory synapses
人们普遍认识到,良好平衡的兴奋和抑制对于神经网络中的适当功能是必要的。然而,原则上,这种平衡可以通过兴奋性和抑制性强度的许多可能的配置以及兴奋性和抑制性神经元的相对数量来实现。例如,一个给定的兴奋水平可以通过许多具有弱突触的抑制性神经元或少数具有强突触的抑制性神经元来平衡。在一系列不同但平衡的构型中,为什么会有任何特定的构型受到青睐?在这里,我们解决这个问题的网络动力学的熵的背景下,通过研究一个易于分析的二进制神经元网络。我们发现,熵是最高的激发主导和抑制主导制度之间的边界。熵也沿着这个边界变化,在高熵和鲁棒熵之间进行权衡:弱突触强度产生对参数变化脆弱的高网络熵,而强突触强度产生较低但更鲁棒的网络熵。在抑制性和兴奋性突触被限制为具有相似强度的情况下,我们发现,一个小的,但非零的抑制性神经元的分数,如在哺乳动物皮层中看到的,结果在鲁棒性和相对较高的熵。
2018-04-14 cond-mat.dis-nn q-bio.NC
Optimal axonal and dendritic branching strategies during the development of neural circuitry
在发育中的大脑中,轴突和树突能够以高精度相互连接。成像的最新进展允许在体内监测轴突,树突和突触动力学。据观察,大多数的轴突和树突分支形成的“错误”,只是被撤回后。分支机构生产过剩的功能意义尚不清楚。在这项研究中,我们使用一个计算模型来研究不同的分支策略的速度和效率。我们表明,分支本身允许通过使用并行搜索在识别适当的目标大幅加速。我们还表明,在现有的突触附近形成新的分支,导致目标连接的形成,减少了错误的分支。这一发现使我们能够解释非洲爪蟾视网膜顶盖系统中观察到的分支点和突触之间的高度相关性。我们还建议,最有效的分支规则是不同的轴突和树突。轴突的最佳策略是在现有突触附近形成新的分支,而树突的最佳规则是优先在具有相关突触前和突触后电活动的突触附近形成新的分支。因此,我们的研究表明,发育中的神经系统采用了一套复杂的计算策略,促进了所需电路的形成,因此它可以以最快和最节俭的方式进行。
2008-04-05 q-bio.NC
Empirical scaling laws in balanced networks with conductance-based synapses
Babson College(巴布森学院);Boston University(波士顿大学);University of Notre Dame(圣母大学)
研究通过计算机模拟显示,基于电导的突触和尖峰时间相关性结合可产生更真实的膜电位变异性,证明更真实的建模假设能提升动态真实性。
2026-05-12 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
Cerebral cortical communication overshadows computational energy-use, but these combine to predict synapse number
达尔文进化论倾向于产生节能的结果。另一方面,能量限制了计算,无论是神经和概率还是数字和逻辑。从特定的节能角度来看,我们定义了神经计算并利用能量受限的计算函数。该函数可以在与每个神经元的突触数量成比例的变量上进行优化。该功能还暗示了ATP消耗过程之间的特定区别,特别是计算\textit{per se}与包括动作电位和发射器释放的通信过程。因此,要应用这个数学函数,需要进行能源审计,并对能源消耗进行分区,这与早期的工作不同。审计指出,大脑\cite{sokoloff1960metabolism,sawada2013synapse}可利用的葡萄糖不是经常提到的20瓦,而分配给皮层计算的部分只有0.1瓦的ATP。另一方面,在3.5瓦的情况下,远距离通信成本是35倍。其他新的量化包括:(i)发现神经计算效率的生物值与理想值相差$10^8$倍;(ii)对激活神经元所需的突触传输数量($N$)的两种预测(2500与2000)。
2021-02-11 q-bio.NC
Memory capacity of neural network models
记忆是一种复杂的现象,涉及几种不同的机制。这些机制在不同的空间和时间层面上发挥作用。本章重点介绍了理论框架和数学模型,这些模型是为了理解这些机制是如何被安排来存储、保存和检索大量记忆而开发的。特别是,本章回顾了记忆容量的理论研究,其中研究人员估计了可存储记忆的数量如何与神经回路中神经元和突触的数量成比例。记忆容量取决于突触的复杂性、表征的稀疏性、记忆之间的空间和时间相关性以及记忆被检索的特定方式。当突触只能以有限的精度进行修改时,复杂性很重要,就像生物突触一样,稀疏性可以大大增加记忆容量,并且在记忆结构化(相互关联)时特别有益。本章讨论的理论工具可以用来识别记忆储存、保存和提取的重要计算原理,并为设计和解释记忆实验提供指导。
2021-12-21 q-bio.NC
Circumstantial evidence and explanatory models for synapses in large-scale spike recordings
本文探讨如何仅凭脉冲序列记录研究神经元间突触连接,提出系统性评估旁证的方法,并展示突触效应模型如何为成对脉冲统计提供可检验预测,从而拓展大规模脉冲记录的数据分析问题。
2023-11-25 q-bio.NC
Optogenetic manipulation of neural activity in C. elegans: from synapse to circuits and behavior
新兴的光遗传学领域允许光学激活或抑制神经系统中的神经元和其他组织。2005年,光遗传学蛋白在线虫C.第一次出现优雅的人。此后,C. elegans已经成为一个强大的平台,在其上进行突触功能、电路动力学和行为的神经元基础的光遗传学研究。梭线虫神经系统由302个神经元组成,其连接性和形态已被完全绘制,驱动着丰富的可通过视频显微镜量化的行为库。这种模式生物的紧凑的神经系统、可量化的行为、遗传易处理性和光学可及性使其特别适合于光遗传学询问。嗜盐视紫红质-2(ChR 2)、嗜盐视紫红质(NpHR/Halo)等常见的光遗传学蛋白均在C.优雅此外,利用分子遗传学和图案化光照明的最新进展现在已经使得有可能将光活化和抑制作用靶向于单细胞,并且在蠕虫自由行为时这样做。在这里,我们描述的技术和方法,光遗传操作在C。优雅我们回顾了最近的工作,利用光遗传学和C。elegans用于神经科学研究的突触,电路和行为水平。
2013-05-09 q-bio.NC
Scalability and Optimization Strategies for GPU Enhanced Neural Networks (GeNN)
脉冲神经网络的模拟传统上是在高性能超级计算机或大规模集群上完成的。GeNN(GPU Enhanced Neural Network)利用神经网络计算算法的并行特性,提供了一个模拟环境,该环境采用基于代码生成的方法在通用NVIDIA GPU上执行。GeNN允许用户通过指定不同阶段的神经元群体、它们的突触连接密度和单个神经元的模型来设计和模拟神经网络。在这份报告中,我们描述了如何根据用户定义的网络的配置来缩放突触权重,以确保足够的尖峰和后续的有效学习。我们还讨论了GPU计算的优化策略:突触连接的稀疏表示和基于占用的块大小确定。
2014-12-01 cs.DC cs.NE q-bio.NC
Applications of Discrete Mathematics for Understanding Dynamics of Synapses and Networks in Neuroscience
数学建模在神经科学中有着广泛的应用,无论是对单个突触还是整个神经元网络的动态建模。在第一部分中,我们模拟囊泡的补充和释放在感光突触,以更好地了解视觉信息是如何处理的。在第二部分中,我们探索了一个简单的神经网络模型,目的是发现网络结构如何塑造网络的行为。要完全理解视觉信息是如何被处理的,就需要了解信号在感光神经元的带状突触中的转换方式。这些突触具有带状结构,能够储存大约100个突触囊泡,通过释放不同数量的囊泡来响应视觉输入,从而实现分级响应。这些反应主要取决于色带的能力,以补充自己作为色带网站空后释放。因此,囊泡补充的速率是在视网膜中形成神经编码的重要因素。在与实验神经科学家的合作中,我们开发了一个数学模型来描述带状突触中囊泡释放和补充的动力学。为了更多地了解网络架构如何塑造网络的动态,我们研究了一种特定类型的阈值线性网络,它是由一个简单的有向图构建的。网络结构保证了动态的差异仅仅是由底层图的连通性差异引起的。通过设计,这些网络的活动是有界的,没有稳定的不动点。计算实验表明,这些网络中的大多数产生极限环,其中神经元按顺序发射。我们设计了一种算法,使用底层图的结构来预测射击顺序。使用该算法,我们对所有这种类型的网络在五个或更少的节点上进行分类。
2017-02-21 q-bio.NC
Quantifying information stored in synaptic connections rather than in firing activities of neural networks
The Solomon H. Snyder Department of Neuroscience, Johns Hopkins University(约翰斯·霍普金斯大学索伦·H·斯奈德神经科学系);Department of Psychological and Brain Sciences, Johns Hopkins University(约翰斯·霍普金斯大学心理与脑科学系);Kavli Neuroscience Discovery Institute, Johns Hopkins University(约翰斯·霍普金斯大学卡弗里神经科学发现研究所)
本文提出了一种理论框架,用于量化神经网络突触连接分布中存储的信息,通过Hebbian网络和对数正态分布建模,揭示突触间协同作用及信息存储的双重性。
2026-04-28 cs.IT math.IT physics.bio-ph
A model for neural activity in the absence of external stimuli
本文研究了一个描述有限神经元系统在无外界刺激情况下膜电位随时间连续演化的随机过程。膜电位的值在{ \it化学突触}、{ \it电突触}和\textit{leak current}的作用下演变。这一进程的演变可以非正式地描述如下。每一个神经元随机地按照一个点过程发放脉冲,其频率取决于其膜电位。当一个神经元出现尖峰时,它的膜电位会立即重置为静息值。同时,受其影响的神经元的膜电位获得额外的正值。此外,在连续的尖峰之间,由于电突触和漏电流,系统遵循确定性运动。电突触将系统推向其平均电位,而漏电流将每个神经元的膜电位吸引到静息值。我们表明,在没有泄漏的过程中,指数快速收敛到一个独特的不变测度,只要初始配置是非空的。更有趣的是,当泄漏存在时,我们证明了系统几乎肯定会在有限的时间后停止尖峰。这意味着唯一的不变测度仅由空配置支持。
2016-11-16 math.PR q-bio.NC
Gradient learning in spiking neural networks by dynamic perturbation of conductances
我们提出了一种方法来估计目标函数相对于尖峰神经网络的突触权重的梯度。该方法通过测量响应于神经元的膜电导的动态扰动的目标函数中的波动来工作。它与具有动态突触的基于电导的模型神经元的递归网络兼容。该方法可以被解释为一个生物学上合理的突触学习规则,如果动态扰动是由一类特殊的“神经”突触产生的随机脉冲序列从外部源驱动。
2006-01-19 q-bio.NC
Robustness and Enhancement of Neural Synchronization by Activity-Dependent Coupling
我们研究了两个模型神经元通过突触耦合的同步具有活动依赖的强度。我们的突触遵循尖峰定时依赖可塑性(STDP)的规则。我们发现,这种可塑性的神经元之间的耦合产生扩大的频率锁定区,并导致同步,这是更迅速,更强大的抗噪声比经典的同步所产生的连接与恒定的强度。我们还提出了一个简单的离散映射模型,证明了这种现象的普遍性。
2002-12-19 physics.bio-ph physics.gen-ph 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
Analytical modelling of temperature effects on synapses
据报道,温度可能会显着影响不同层次的大脑建模的神经动力学。由于这一事实,在计算神经科学中创建模型时,我们希望使其可扩展到各种大脑温度的范围。然而,目前,由于缺乏实验数据和缺乏描述温度对突触影响的分析模型,不可能在多神经元建模水平上包括温度效应。在本文中,我们提出了第一步来处理这个问题:新的分析模型的AMPA型突触电导,这是能够包括温度的影响,在低频刺激。它是建立在马尔可夫模型描述的AMPA受体动力学和一些简化的基础上,从实验和Monte Carlo模拟突触传递。该模型可用于大规模神经网络模拟中温度对AMPA受体电导的影响。事实上,这为研究温度对大脑功能的影响开辟了新的可能性。
2016-10-03 physics.bio-ph q-bio.NC
Metabolite transport through glial networks stabilizes the dynamics of learning
学习和记忆是通过突触的长期变化获得的。在最简单的模型中,这种突触增强通常会导致失控的兴奋,但实际上必须存在鲁棒地保持神经系统动力学的整体稳定性的过程。这是如何实现的?人们考虑了处理这一基本问题的各种办法。在这里,我们提出了一个特别引人注目的和自然的机制,以保持学习神经系统的稳定性。这种机制是基于神经胶质细胞将代谢资源分配给神经元的全局过程。具体而言,我们介绍和研究的模型包括两个相互作用的网络:一个模型神经网络进行尖峰定时依赖可塑性(STDP)的突触互连;和模型胶质细胞网络之间的扩散运输代谢资源的神经胶质细胞,并最终在神经突触,它们被消耗的间隙连接互连。我们的主要结果是,通过神经胶质网络的代谢资源的扩散运输所施加的生物物理约束可以防止突触强度的失控增长,无论是在正在进行的活动和学习过程中。我们的研究结果表明,神经胶质细胞运输的代谢物在反馈控制稳定的神经网络动态学习过程中的作用,以前没有得到重视。
2016-05-10 cond-mat.dis-nn nlin.AO q-bio.NC
On Dynamics of Integrate-and-Fire Neural Networks with Conductance Based Synapses
我们提出了一个数学分析的网络集成和消防神经元和自适应电导。考虑到现实的事实,尖峰时间只知道在一些\textit{finite}精度,我们提出了一个模型,尖峰是有效的多个特征时间尺度$δ$,其中$δ$可以是\textit{arbitrary}小(特别是,远远超出了数值精度)。我们对模型动力学进行了完整的数学刻画,得到了如下结果。渐近动力学是由许多稳定的周期轨道,其数量和周期可以是任意大,可以发散的突触权重空间,传统上称为“混沌边缘”,在本文件中数学定义的概念的区域。此外,除了在混沌的边缘,有一个一一对应的膜电位轨迹和光栅图。这表明,在这种情况下,神经代码完全是“在尖峰”中。作为一个关键的工具,我们引入了一个序参量,易于计算的数值,并密切相关的熵的自然概念,提供了一个相关的表征网络的计算能力。这使我们能够比较泄漏和积分和火灾模型和电导模型的计算能力。本研究认为网络具有恒定的输入,没有时间依赖的可塑性,但框架已被设计为两个扩展。
2008-05-29 math.DS nlin.CD physics.bio-ph