Neural Sampling by Irregular Gating Inhibition of Spiking Neurons and Attractor Networks
理论神经科学的一个悠久传统是将大脑中的感觉处理视为推断不完美感觉输入的最大一致解释的过程。最近，它已被证明，伽玛带抑制可以使神经吸引子网络近似执行这样的采样机制。在本文中，我们提出了一种新的神经网络模型的基础上不规则的门控抑制，分析显示它如何实现一个蒙特卡洛马尔可夫链（MCMC）采样器，并描述了它如何可以用来模拟网络的神经吸引以及单尖峰神经元。最后，我们将展示如何将此模型应用于尖峰神经元产生一个新的假定机制，可用于实现随机突触权重在生物神经网络和神经形态硬件。
2017-09-01 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
Collective Dynamics in Spiking Neural Networks Beyond Dale's Principle
University College London（伦敦大学学院）；Imperial College London（帝国理工学院）
本文提出了一种违反达勒原则的双语神经元模型，展示了其在同步与异步动力学转换中的独特信息处理特性，为神经回路的大规模振荡活动调节提供了新机制。
2026-02-26 cond-mat.dis-nn q-bio.NC
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
Classification Accuracy of Minimal Spiking Neural Networks Follows a Log-Reciprocal Function
School of Mathematical Sciences, Jiangsu University（江苏大学数学科学学院）
研究基于LIF神经元模型的小规模脉冲神经网络分类性能，发现准确率主要随类别数呈幂律标度，并使用大语言模型辅助发现函数关系。
2026-09-01 q-bio.NC
Spiking Linear Dynamical Systems on Neuromorphic Hardware for Low-Power Brain-Machine Interfaces
神经形态架构通过使用许多简单的尖峰神经元代替传统硬件来实现低功耗操作。在这里，我们开发了精确的线性计算方法，在脉冲神经网络和使用这些方法来映射到现有的神经形态芯片的线性动力系统（LDS）的演变：IBM的TrueNorth。我们分析表征，并数值验证，尖峰LDS状态序列和它的非尖峰对应之间的差异。这些分析结果揭示了神经形态计算中时间、空间、能量和精度之间的多方面权衡。为了证明我们的工作的实用性，我们实现了一个神经形态卡尔曼滤波器（KF），并使用它离线解码人类的语音音高从神经数据。神经形态KF可用于神经科学以外的领域的低功耗滤波，如导航或机器人。
2018-06-05 cs.NE 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
Storing overlapping associative memories on latent manifolds in low-rank spiking networks
Champalimaud Centre for the Unknown（查普拉米乌德未知中心）；Champalimaud Foundation（查普拉米乌德基金会）
本文利用低维凸分段线性流形的几何框架，在低秩脉冲网络中实现重叠联想记忆存储，提出多种学习规则，证明存储容量随神经元数量线性扩展并具备鲁棒模式补全能力。
2025-06-30 cs.LG cs.NE q-bio.NC
Multitaper Spectral Analysis of Neuronal Spiking Activity Driven by Latent Stationary Processes
研究神经协变量的频谱特性是系统神经科学中的一个重要问题，因为它可以研究大脑节律在认知功能中的作用。虽然连续时间序列的谱估计是一个公认的领域，但由于所涉及的固有非线性，从尖峰数据计算这些神经协变量的谱表示提出了各种挑战。在本文中，我们解决这个问题，提出了一个变种的multitaper方法，专门为点过程数据。为此，我们构造辅助尖峰统计，从该统计的潜在过程的特征谱可以直接推断使用最大似然估计，从而可以有效地计算multitaper估计。我们提出的技术与现有的方法使用模拟数据的比较显示显着的收益的偏差方差权衡。
2019-06-20 cs.IT eess.SP math.IT
An artificial spiking synapse made of molecules and nanoparticles
基于分子的器件被设想为通过凭借其自组织能力以更简单的工艺水平和更低的成本提供新的功能或已经存在的功能来补充硅器件，此外，它们不受冯·诺依曼架构的约束，这可能为其他架构范例开辟道路。在这里，我们展示了一个由共轭分子和金属纳米颗粒（NP）制成的设备，它的行为就像一个尖峰突触，适合集成在神经网络架构中。我们证明，该设备表现出的生物突触的主要行为。这些结果开辟了在感知器和Hopfield网络的NOMFET的速率编码利用的方式。我们还可以设想NOMFET作为神经电子学的构建块，用于将由图案化神经元培养物制成的神经元或神经元逻辑器件与固态器件和电路连接。
2009-04-06 cond-mat.dis-nn cond-mat.mtrl-sci q-bio.NC
Spontaneous activity emerging from an inferred network model captures complex temporal dynamics of spiking data
最近，神经科学中的新记录技术和强大的推理方法相结合，有望在单个神经元或网络水平上直接从观察到的数据中恢复有用的有效模型。当然，模型的价值主要取决于它再现被建模系统的动力学行为的能力;然而，在神经科学中，很少有人试图探究推断模型的动力学，据我们所知，在网络层面上也没有。在这里，我们介绍了一个广泛使用的广义线性模型（GLM）的原则性修改，并从离体尖峰数据学习其结构和动力学参数。我们表明，新模型能够捕获生物网络所显示的高度非平稳和非线性动力学的最突出特征，而参考GLM在很大程度上失败了。有两个要素是成功的关键。第一个是有界传递函数，它使单个神经元能够以饱和的方式对其输入做出响应;除了其生物可接受性之外，这种属性通过限制神经元传递信息的能力，使编码在面对高度可变的网络活动和噪声时更加鲁棒。第二个要素是一个超泊松尖峰生成概率机制;这一特征解释了观察在很大程度上对网络欠采样的事实，允许模型神经元更灵活地结合观察到的活动波动。这两个因素结合在一起，在不增加复杂性的情况下，使模型能够捕捉关键的动态元素。当自由产生其自发活动时，推断的模型被证明不仅能够再现网络的非平稳种群动力学，而且还能够再现单个神经元水平上的部分细粒度动力学结构。
2018-04-06 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
Decoding Spiking Mechanism with Dynamic Learning on Neuron Population
Shanghai Jiao Tong University（上海交通大学）
认知神经科学的一个主要关注点是解码显性神经脉冲序列观察结果并推断神经回路下的潜在表征。然而，传统的方法需要对网络结构有很强的先验知识，很难满足对真实锋电位数据的要求。在这里，我们提出了一种新的神经网络的方法，称为神经元激活网络，提取神经信息显式地从单个试验神经元群体脉冲序列。我们提出的方法包括一个时空的学习过程中的感觉环境和人口图的消息传递机制，其次是神经元激活过程中的递归方式。我们的模型旨在重建神经元信息，同时推断神经元尖峰状态的表示。我们将我们的模型应用于视网膜神经节细胞，实验结果表明，我们的模型具有更强大的能力，在产生神经尖峰序列与高保真度比国家的最先进的方法，以及更有表现力，并有潜力揭示潜在的尖峰机制。源代码将与最终论文一起发布。
2019-11-21 cs.LG cs.NE q-bio.NC
Pattern Formation in a Spiking Neural-Field of Renewal Neurons
本文通过更新神经元网络研究神经模式涌现，取热力学极限建立耦合偏微分与非局部微分方程，通过微扰分析解析Turing不稳定性条件并数值获得分岔线，为脉冲神经网络中Turing模式涌现提供新视角。
2024-06-03 q-bio.NC
Information Bottleneck in Control Tasks with Recurrent Spiking Neural Networks
神经系统将来自环境的连续信息以离散尖峰的形式编码，然后解码这些信息以产生平滑的运动动作。了解尖峰信号如何整合、表示和处理信息以产生行为是神经科学中最大的挑战之一。信息论有潜力帮助我们应对这一挑战。对解决静态输入-输出任务的深度和前馈人工神经网络的信息分析导致了\emph{Information Bottleneck}原理的提出，该原理指出，更深层编码关于输入的更多相关但最少的信息。对具有周期性、尖峰脉冲和执行控制任务的网络的这种分析相对较少。在这里，我们提出了一个经常性的脉冲神经网络，演变为执行经典的极点平衡任务的互信息分析的结果。我们的研究结果表明，这些网络偏离\emph{Information Bottleneck}原则规定的前馈网络。
2017-06-06 cs.IT cs.NE math.IT
Predictive Coding with Spiking Neural Networks: a Survey
本文综述脉冲预测编码模型，按预测误差表示方式梳理三类神经形态方法，介绍其节能边缘硬件应用，并指出类脑计算的未来挑战。
2024-09-09 q-bio.NC
Learning arbitrary dynamics in efficient, balanced spiking networks using local plasticity rules
了解递归神经回路如何学习实现动力系统是神经科学的一个基本挑战。信用分配问题，即确定每个突触对网络全局输出误差的局部贡献，是推导生物学上合理的局部学习规则的主要障碍。此外，实现这些任务的尖峰循环网络在神经元和尖峰的数量方面不应该是非常昂贵的，因为它们通常是从速率模型中调整而来的。最后，这些网络应该对噪声和神经死亡具有鲁棒性，以便在面对这种自然发生的扰动时维持这些表示。我们解决这个问题的融合理论的有效，平衡尖峰网络（EBN）与非线性自适应控制理论。通过将其自身的误差反馈到网络中来确保局部学习规则，从而产生仅依赖于突触前输入和突触后反馈的突触可塑性规则。网络的尖峰效率和鲁棒性是通过保持紧密的兴奋/抑制平衡来保证的，确保每个尖峰代表全局输出误差的局部投影并最小化损失函数。由此产生的网络可以学习实现复杂的动力学与非常少量的神经元和尖峰，表现出相同的脉冲序列的变化，实验观察，是非常强大的噪声和神经元的损失。
2017-08-05 q-bio.NC
Evolution and Analysis of Embodied Spiking Neural Networks Reveals Task-Specific Clusters of Effective Networks
阐明神经网络中计算的基本原理是当前神经科学的一个主要研究课题。在功能磁共振成像研究中，转移熵（TE）越来越多地被用作弥合网络结构、功能和行为之间差距的工具。计算模型使我们能够通过直接将单个神经元活动与行为联系起来来进一步缩小差距。然而，大多数分析具身行为的计算模型都采用了非尖峰神经元。另一方面，采用尖峰神经网络的计算模型往往限于无实体的任务。我们首次展示了人工进化和TE分析体现尖峰神经网络执行认知有趣的行为。具体来说，我们进化了一个由Izhikevich神经网络控制的代理来执行视觉分类任务。能够执行任务的最小网络是通过重复不同网络大小的进化运行找到的。最佳解决方案的信息分析揭示了特定任务的TE网络集群，这表明任务内的同质性和跨任务的异质性是行为成功的关键。此外，对解决方案的集成分析表明，TE网络集群的任务特异性与适应度相关。这提供了一个经验可检验的假设，将网络结构与行为联系起来。
2017-04-19 cs.NE q-bio.NC
Chaos and reliability in balanced spiking networks with temporal drive
生物信息处理通常是由相互连接的动态单元组成的复杂网络来完成的。关于这种网络的一个基本问题是可靠性：如果相同的信号在不同的初始状态下多次出现，系统会以可重复的方式携带信号吗？可靠性在神经科学中特别重要，因为神经科学中兴奋性和抑制性细胞的大型复杂网络无处不在。众所周知，这些网络会自动产生强烈的混沌动力学--这对可靠性构成了明显的威胁。在这里，我们表明，这种混乱持续存在的弱和强的刺激，但即使在混乱的存在下，间歇期的高度可靠的尖峰往往与不可靠的活动共存。我们阐明了这种间歇性的可靠性所涉及的本地动力机制，并探讨这种现象和某些时间依赖的吸引子所产生的动态之间的关系。一个结论是，混沌动力学不一定是一个障碍，精确的尖峰响应，一个事实与大型网络中的信号编码的影响。
2013-04-10 math.DS nlin.CD q-bio.NC
A Spiking Neural Network Model of Elementary Self-Consciousness via Endogenous Default Mode Network Dynamics
Complutense University of Madrid（马德里康普顿斯大学）；The Crazy Lab（疯狂实验室）
该研究提出一个包含10,000个神经元的脉冲神经网络模型，通过内源性默认模式网络起搏器与感觉层的相互作用，为自我意识的涌现提供了数学框架。
2026-09-30 cs.NE q-bio.NC
Winner-Take-All Computation in Spiking Neural Networks
在这项工作中，我们从算法的角度研究生物神经网络，重点是理解计算时间和网络复杂性之间的权衡。我们的目标是抽象真实的神经网络，虽然不能捕捉所有有趣的特征，但可以保留高级行为，并允许我们做出生物相关的结论。为了实现这一目标，我们考虑在一个简单的，但在生物学上合理的模型$stochastic\ spiking\ neural\ networks$的算法原语的实现。特别是，我们展示了如何在这个模型中的神经元的随机行为可以利用来解决一个基本的$symmetry-breaking\ task$，在其中我们被赋予神经元相同的放电率，并希望选择一个杰出的。在计算神经科学中，这被称为赢家通吃（WTA）问题，并且被认为是许多任务中的基本构建块，例如，学习、模式识别和聚类。我们提供了有效的构造WTA电路在我们的随机脉冲神经网络模型，以及在驱动收敛到WTA在给定的步骤数的辅助神经元的数量的下界。这些下界表明，我们的结构在某些情况下是接近最优的。这项工作涵盖了最初发表在[LMP17a]中的结果的子集，并给出了更深入的证明。它改编自C. Musco博士[Mus18]。
2019-04-25 cond-mat.dis-nn cs.DC cs.NE
Stochastic Models of Neural Plasticity: A Scaling Approach
在神经科学中，突触可塑性是指驱动神经元连接动力学的一组机制，称为突触，并由标量值（突触权重）表示。尖峰定时依赖可塑性（STDP）规则是基于生物学的模型，其将突触权重的时间演变表示为相邻神经元的过去尖峰活动的函数。在~arXiv：2010.08195中已经引入了一般数学框架。在本文中，我们开发和研究这些模型的缩放方法的基础上，几个生物学的假设。实验表明，长时程突触可塑性的演变比驱动神经元细胞活动的细胞机制慢得多，如它们的尖峰活动或由这种尖峰活动产生/抑制的各种化学成分的浓度。为此，引入了~arXiv：2010.08195的随机模型的缩放版本，并为一大类塑性核陈述了极限定理，即平均原理。一篇配套论文~arXiv：2010.08790完全致力于证明这些收敛结果的紧密性。这些平均原则被用来研究两个重要的STDP模型：基于对的规则和基于钙的规则。我们的结果进行了比较神经科学STDP模型的近似。本文还研究了一类STDP规则的离散模型及其极限动力系统的解析易处理性。
2021-11-16 math.PR q-bio.NC
Stochastic Models of Neural Synaptic Plasticity
在神经科学中，学习和记忆通常与神经元连接的长期变化有关。在此上下文中，突触可塑性是指驱动神经元连接的动力学的一组机制，称为{ \em突触}并且由标量值（突触权重）表示。尖峰定时依赖可塑性（STDP）是一种基于生物学的模型，将突触权重的时间演变表示为相邻神经元过去尖峰活动的函数。如果在数学文献中已经提出了许多神经元细胞的模型，其中很少包括一个随时间变化的连接强度的变量。一个新的，一般的，数学框架介绍了研究突触可塑性与不同的STDP规则。研究了由单个突触连接的两个神经元组成的系统，提出并分析了描述其动力学行为的随机过程。塑性核的概念被引入作为塑性神经网络模型的一个关键组成部分，推广了用于基于对的模型的概念。我们表明，大量的神经科学和物理学的STDP规则可以表示这种形式主义。这些模型的几个方面进行了讨论，并比较典型的计算神经科学模型。一个重要的子类的可塑性内核与马尔可夫制定也被定义和研究。在这些模型中，细胞过程的时间演化，如神经元膜电位和由尖峰活动产生/抑制的化学成分的浓度具有马尔可夫性。
2021-06-09 math.PR 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
Revealing cell assemblies at multiple levels of granularity
背景资料：当前的神经元监测技术，例如钙成像和多电极阵列，能够同时记录数百个神经元的尖峰活动。在系统神经科学中，最重要的是识别细胞集合体：在记录的群体中以某种形式合作的神经元组。新方法：我们引入了一个简单的，综合的框架，检测细胞组装尖峰数据，没有先验假设的大小或数量的群体存在。我们定义了一个生物药理学启发的措施，以提取一个有向功能连接矩阵之间的兴奋性和抑制性神经元的基础上，他们的尖峰历史。使用马尔可夫稳定性框架（一种用于跨尺度社区检测的图论方法）分析所得到的网络表示，以揭示在不同粒度级别的记录时间序列中显着相关的神经元组。结果和现有方法的比较：使用合成尖峰列车，包括模拟数据从泄漏集成和火灾网络，我们的方法是能够识别重要的模式，如层次结构的数据，错过了其他标准方法。我们进一步应用该方法的实验数据，从视网膜神经节细胞的小鼠和蝾螈，在其中我们确定对应于已知的功能类型的细胞群，并从大鼠海马记录探索线性轨道，在那里我们检测位置细胞高保真。结论：我们提出了一种通用的方法来检测尖峰数据中的神经组件，该方法适用于相关尺度的频谱，有助于理解从系统神经科学实验中收集的时空信息。
2014-11-08 physics.data-an q-bio.NC
A network of spiking neurons for computing sparse representations in an energy efficient way
计算稀疏冗余表示是应用数学和神经科学中的一个重要问题。在许多应用中，这个问题必须以节能的方式来解决。在这里，我们提出了一种混合分布式算法（HDA），它解决了这个问题的简单节点通过低带宽信道通信的网络。HDA节点对模拟内部变量执行类似梯度下降的步骤，并通过相互通信的量化外部变量执行类似坐标下降的步骤。有趣的是，这种操作相当于一个集成和激发神经元的网络，这表明HDA可以作为神经计算的模型。我们表明，HDA的数值性能与现有的算法不相上下。在渐近状态下，HDA的表示误差随时间t衰减为1/t。HDA对时变噪声是稳定的，具体地，对于高斯白噪声，表示误差衰减为1/sqrt（t）。
2012-10-04 cs.NE q-bio.NC
Gaussian and exponential lateral connectivity on distributed spiking neural network simulation
我们测量了长距离指数衰减的区域内横向连接的影响的分布式脉冲神经网络模拟器的缩放和内存占用相比，短程高斯衰减。虽然以前的研究采用了短程连接，但最近的实验神经科学研究指出了长程区域内连接的作用，并对神经模拟平台产生了影响。由高达11 M点样尖峰神经元与尖峰频率自适应组成的皮质柱的二维网格由高达30 G突触使用短和长距离连接模型连接。组成分布式模拟器的MPI进程在多达1024个硬件核心上运行，托管在64个节点的服务器平台上。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 G Hz，通过InfiniBand网络互连，配备4个QDR交换机。
2019-02-19 cs.DC cs.NE q-bio.NC
Gridbot: An autonomous robot controlled by a Spiking Neural Network mimicking the brain's navigational system
Rutgers University（罗格斯大学）
诚然，“最好的”神经网络不一定是具有最“类脑”行为的网络。然而，理解生物智能是几个不同学科的基本目标。将我们对智能的理解转化为机器是机器人技术中的一个基本问题。在神经科学新进展的推动下，我们开发了一个尖峰神经网络（SNN），该网络从越来越多的实验证据中得出，许多单个神经元与空间导航相关。通过遵循大脑的结构，我们的模型假设没有初始的所有对所有的连接，这可能会抑制其翻译到神经形态硬件，并通过将其识别的组件映射到有限数量的神经表征中，通过尖峰时间依赖可塑性（STDP）来学习未知的领域。在我们正在进行的努力，采用生物启发SNN控制的机器人在现实世界的空间映射应用程序，我们在这里演示如何SNN可以鲁棒地控制自主机器人在映射和探索未知的环境，同时补偿其自身固有的硬件缺陷，如部分或全部损失的视觉输入。
2018-07-05 cs.AI q-bio.NC
Electrical activity of fungi: Spikes detection and complexity analysis
牡蛎真菌\emph{Pleurotus djamor}产生肌动蛋白电位，如电位尖峰。穗列的出现可能反映了菌丝在基质中的生长繁殖、营养物质和代谢产物的运输以及菌丝网络中的通讯过程。与神经活动相比，菌丝体网络的尖峰活动是高度可变的，因此不能通过神经科学的标准工具进行分析。我们提出了检测和分类真菌的扣球活动的原始技术。使用这些技术，我们分析了真菌电活动的信息理论的复杂性。研究结果为进一步研究真菌的感觉融合和决策奠定了基础。
2020-08-24 cs.ET q-bio.NC
Detecting Neuronal Communities from Beginning of Activation Patterns
基于神经科学的两个重要概念：促进神经元放电和几乎同时开始激活的神经元集的神经元社区的检测。更具体地说，整合-激发复杂神经元网络在其每个节点处被激活，并且激活的传播被监测。随着每个神经元接收到的激活的积累，它的放电变得容易。每个神经元（除了源）接收第一个非零输入所花费的时间（开始激活时间）以及它产生第一个尖峰的时间（开始尖峰时间）通过模拟来识别。它示出，相对于两个合成和现实世界（\emph{C. elegans}）的神经元复杂的网络，开始激活时间的模式（并在较小程度上也尖峰时间）往往集群成组对应于社区的神经元在原始的复杂的神经元网络。这种效应被认为是激活源所在的同一社区内的节点之间几乎同时激活的直接结果，以及激活源在发射前的整合所暗示的激活的各自捕获的直接结果。有趣的是，发现每个神经元内的活动和阈值的积累对于在瞬时激活期间约束每个相应社区内的初始激活是必不可少的（当使用总体激活或尖峰速率时，没有观察到明显的集群）。除了其内在价值的神经科学和结构动力学研究，这些结果证实了考虑瞬态动力学在复杂系统调查的重要性。
2008-01-28 cond-mat.dis-nn physics.comp-ph physics.soc-ph
Spatial computing in structured spiking neural networks with a robotic embodiment
现代神经科学的挑战之一是创造一个基于体外生长的神经网络的“活计算机”。这种人工设备应该执行神经计算任务，并在机器人中与环境交互。最近的研究已经确定了最关键的挑战，寻找一个神经网络架构来实现联想学习。本文提出了一种由单向耦合连接的脉冲神经网络的模块化结构模型。我们表明，该模型能够根据巴甫洛夫条件反射训练神经机器人。机器人的避障性能取决于网络间耦合的权重比。我们发现，除了STDP，成功学习的关键因素是突触和神经元的竞争。我们使用最近发现的最短路径规则来实现突触竞争。该方法已准备好进行实验测试。强抑制耦合实现了负责无条件反应的子网络中的神经元竞争。这种方法的经验测试需要一种技术来生长神经网络，其中兴奋性和抑制性神经元的给定比例尚未获得。另一种方法是建立一个混合系统，其中体外神经网络通过硬件忆阻连接耦合。
2022-01-10 q-bio.NC
Applications of information geometry to spiking neural network behavior
本文利用信息几何方法分析兴奋-抑制神经网络的脉冲行为，揭示膜与突触时间尺度竞争塑造信息几何，并识别影响模型行为的关键统计参数及其随兴奋/抑制平衡的变化。
2023-05-12 cond-mat.dis-nn q-bio.NC
Genetic Algorithmic Parameter Optimisation of a Recurrent Spiking Neural Network Model
神经网络是对人脑行为进行松散建模的复杂算法。它们在计算神经科学和人工智能中起着重要的作用。下一代神经网络模型是基于神经元的尖峰定时活动：脉冲神经网络（SNN）。然而，SNN中的模型参数难以搜索和优化。以前的研究，使用遗传算法（GA）优化SNN主要集中在简单的，前馈，或振荡网络，但没有太多的工作已经做了优化皮质类递归SNN。在这项工作中，我们研究了使用遗传算法来搜索递归SNN中的最佳参数，以达到目标神经元群体的放电率，例如在实验观察中。我们考虑了基于皮质柱的SNN，包括1000个Izhikevich尖峰神经元，用于计算效率和生物现实主义。探索的模型参数是神经元偏置输入电流。首先，我们找到了这个特定的SNN，目标人口平均发射活动的最佳参数值，算法的收敛约100代。然后，我们表明，GA的最佳人口规模在~16-20，而返回最佳适应值的交叉率为~0.95。总的来说，我们已经成功地证明了实施GA优化模型参数在一个经常性的皮质SNN的可行性。
2020-05-27 cs.NE q-bio.NC
Thermodynamic Order Parameters and Statistical-Mechanical Measures for Characterization of the Burst and Spike Synchronizations of Bursting Neurons
我们感兴趣的是表征群体同步的爆发神经元表现出缓慢的爆发和快速的尖峰时间尺度，与尖峰神经元。种群同步可以在实验中获得的神经棘波的光栅图中很好地可视化。瞬时群体放电率（IPFR）$R(t)$可以直接从尖峰脉冲的栅格图中获得，在计算和实验神经科学中经常被用作描述群体行为的真实集体量。对于锋电位神经元，我们在$R(t)$的基础上引入了真实的热力学序参量和物理机械锋电位测度，对锋电位同步进行了实际表征。在这里，我们通过频率滤波分离的缓慢爆发和快速尖峰的时间尺度，并扩展的热力学序参量和爆炸的神经元的情况下的物理机械措施。因此，它示出在明确的例子中，顺序参数和物理力学措施可以有效地用于表征突发和尖峰同步的爆发神经元。
2014-10-06 nlin.CD physics.bio-ph q-bio.NC
Linking structure and activity in nonlinear spiking networks
最近的实验进展产生了大量关于神经连接和神经活动的数据。为了充分利用这两个新兴的数据集，我们需要一个将它们联系起来的框架，揭示集体神经活动是如何从神经连接结构和内在神经动力学中产生的。这个{ \it结构驱动活动}的问题已经引起了计算神经科学的极大兴趣。现有的用于在尖峰网络中关联活动和结构的方法依赖于围绕中心操作点线性化活动，因此无法捕获作为神经信息处理的标志的个体神经元的非线性响应。在这里，我们克服了这一限制，并提出了一个新的非线性尖峰神经元网络的连通性和活动之间的关系，通过开发一个图形波动扩展统计场理论的基础上。我们明确地展示了循环网络结构如何产生成对和高阶相关活动，以及非线性如何影响网络的尖峰活动。我们的发现为研究单神经元非线性（包括不同细胞类型的非线性）如何与连接性结合以塑造群体活动和功能开辟了新的途径。
2020-02-25 q-bio.NC q-bio.QM
Latent Diffusion for Neural Spiking Data
University of Tübingen（蒂宾根大学）；Tübingen AI Center（蒂宾根人工智能中心）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
本文提出LDNS潜在扩散生成模型，结合S4自编码器与条件扩散，实现神经脉冲数据的低维推断及行为条件下的逼真生成。
2024-12-02 cs.LG q-bio.NC
Scalable Construction of Spiking Neural Networks using up to thousands of GPUs
University of Cagliari（卡利亚里大学）；Istituto Nazionale di Fisica Nucleare (INFN)（意大利国家核物理研究所）；Jülich Research Centre（于利希研究中心）；RWTH Aachen University（亚琛工业大学）
本文提出一种基于MPI的多GPU集群构建大规模脉冲神经网络的方法，通过高效管理通信与内存，实现对神经网络的可扩展模拟。
2026-05-15 cs.DC cs.NE physics.comp-ph
Simulation, visualization and analysis tools for pattern recognition assessment with spiking neuronal networks
计算建模正在成为现代神经科学中广泛使用的方法。然而，随着所研究现象的复杂性增加，对模拟结果的分析也随之变得更具挑战性。特别是，涉及学习的脑回路的配置和验证通常需要处理大量的动作电位，并将其与呈现给系统输入的刺激进行比较。在这项研究中，我们提出了一个系统的工作流程配置的尖峰神经元网络为基础的学习系统，包括进化算法的信息传输优化，先进的可视化工具的验证最合适的配置和定制脚本的学习能力的最终定量评估。通过整合分组的动作电位信息和刺激相关的事件，建议的可视化框架提供了定性评估的学习过程中的模拟研究的演变。建议的工作流程已被用来研究如何感受野出现在抑制性中间神经元网络的兴奋性和抑制性尖峰定时依赖的可塑性时，它暴露于重复和部分重叠的刺激模式。根据我们的研究结果，输出群体可靠地检测到刺激模式的存在，即使当中间神经元的扇入比受到相当大的限制。
2020-03-13 q-bio.NC
Volatile Memory Motifs: Minimal Spiking Neural Networks
尖峰神经元网络如何在不同的时间和空间尺度上编码记忆，这是神经科学和神经工程学的一个基本课题。大的网络和长期记忆受到了很多关注，例如在联想记忆模型中。较小的电路图案可能在较短的时间尺度上发挥重要的补充作用，而更广泛的网络效应可能不太相关。然而，尖峰神经网络的紧凑计算模型，表现出短期易失性记忆，并积极保持信息，直到他们的能源被关闭，似乎没有完全理解。在这里，我们建议，小尖峰神经电路图案可以作为易失性存储器组件。一个最小的基序只包括两个相互连接的神经元-一个自我连接的兴奋性神经元和一个抑制性神经元-并实现了一个单一的位易失性记忆。一个兴奋的，延迟的自我连接促进一个自我维持的周期性轨道产生脉冲序列与无神经元尖峰的静止状态共存的循环回路。瞬态外部输入可以直接引起这些状态之间的切换。此外，抑制性神经元可以充当自主关闭开关。它整合传入的兴奋性脉冲，直到达到阈值，之后抑制性神经元发出尖峰，然后抑制兴奋性神经元中的进一步尖峰，终止记忆。我们的研究结果显示了外部信息（兴奋信号）是如何在预先定义的时间内活跃地保存在记忆中的。我们表明，这样的内存操作是强大的参数变化和howhow序列的多维输入信号可以控制一个多位存储器电路的动态在一个理想的方式。
2023-03-21 nlin.AO q-bio.NC
Deep Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals
Imperial College London（帝国理工学院）
神经生理学时间序列，如肌电信号和皮层内记录，通常由许多单独的尖峰源组成，其恢复可以提供对感兴趣的生物系统的基本见解或为人机接口提供神经信息。由于这个原因，声源分离算法已经成为神经科学和神经工程中越来越重要的工具。然而，在有噪声或高度多变量的记录中，这些分解技术通常产生大量的错误，这降低了人机接口应用，并且通常需要对尖峰时间戳的输出标签集进行昂贵的事后手动清理。为了解决自动化事后清理和鲁棒分离过滤器的需求，我们提出了一种基于深度度量学习的方法，使用一种新颖的损失函数来保持类内方差，从而创建适合标签清理和发现新激活的丰富嵌入空间。然后，我们验证了这种方法与人为损坏的标签集的基础上源分离的高密度表面肌电图记录，恢复原始的时间戳，即使在极端程度的功能和类相关的标签噪声。这种方法使神经网络能够学习使用任何不完美的标记信号的方法来准确地解码神经生理时间序列。
2021-10-13 cs.LG q-bio.NC
Energy-Efficient Visual Search by Eye Movement and Low-Latency Spiking Neural Network
Microsoft Research Asia（微软亚洲研究院）
本研究首次构建基于脉冲神经网络的视觉搜索模型，结合人工视网膜、脉冲特征提取和群体编码的扫视决策，实现高能效搜索，并发现人类搜索策略在速度上非最优。
2023-10-10 cs.CV cs.NE q-bio.NC
Bayesian Bi-clustering of Neural Spiking Activity with Latent Structures
本文提出一种基于潜在结构的贝叶斯双聚类方法，用于对神经放电活动进行空间和时间聚类，通过非参数模型和MCMC算法实现，并在模拟和真实数据上验证了其有效性和可解释性。
2023-12-26 q-bio.NC stat.AP
Biologically-Plausible Topology Improved Spiking Actor Network for Efficient Deep Reinforcement Learning
本文提出BPT-SAN，通过引入生物合理的层内连接和树突非线性建模，提升脉冲神经网络在深度强化学习中的决策效率与表达能力。
2024-03-29 cs.NE 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
Fluctuation-driven initialization for spiking neural network training
脉冲神经网络（SNN）是大脑中低功耗、容错信息处理的基础，当在合适的神经形态硬件加速器上实现时，可以构成传统深度神经网络的节能替代方案。然而，实例化SNN来解决计算机上的复杂计算任务仍然是一个重大挑战。代理梯度（SG）技术已经成为端到端训练SNN的标准解决方案。尽管如此，它们的成功取决于突触权重的初始化，类似于传统的人工神经网络（ANN）。然而，与ANN不同的是，SNN的良好初始状态仍然难以捉摸。在这里，我们开发了一个通用的SNN初始化策略的灵感来自波动驱动的制度通常在大脑中观察到的。具体来说，我们得到了实际的解决方案，数据相关的权重初始化，确保波动驱动的发射在广泛使用的泄漏积分和火灾（LIF）神经元。我们的经验表明，SNN初始化后，我们的策略表现出优越的学习性能时，与SG训练。这些发现概括了几个数据集和SNN架构，包括完全连接的，深度卷积的，循环的，以及遵守戴尔定律的生物学上更合理的SNN。因此，波动驱动的初始化提供了一个实用的，通用的，易于实现的策略，以提高SNN训练性能的不同任务的神经形态工程和计算神经科学。
2022-06-21 cs.NE q-bio.NC
Phase transitions and self-organized criticality in networks of stochastic spiking neurons
相变和临界行为是理论和实验神经科学中的关键问题。我们报告的分析和计算结果的相变和自组织临界性（SOC）的网络一般随机神经元。随机神经元具有由膜电位$V$的平滑单调函数$Φ(V)$给出的激发概率，而不是尖锐的激发阈值。我们发现，这样的网络可以在几个动态制度（阶段）取决于平均突触的重量和形状的发射函数$Φ$。特别是，我们遇到了连续和不连续的相变吸收状态。在连续过渡临界边界处，发生神经元雪崩，其大小和持续时间的分布由幂律给出，如在生物神经网络中观察到的。我们还提出并测试了一种产生SOC的新机制：使用动态神经元增益--一种可能在轴突起始段（AIS）中的短期可塑性形式--而不是抑制树突处的突触（如文献中先前研究的那样）。新的自组织机制产生了一种轻微的超临界状态，我们称之为SOSC，根据艾伦·图灵的一些直觉。
2016-10-05 nlin.AO q-bio.NC
Spike timing reshapes robustness against attacks in spiking neural networks
针对深度学习易受对抗攻击的问题，该研究系统探究脉冲神经网络（SNNs）中脉冲编码的时序机制，发现利用精确脉冲时序编码原理可在不同学习规则下提升SNNs的抗攻击鲁棒性，为类脑深度学习提供新的可靠编码思路。
2023-06-09 cs.NE q-bio.NC
Closed-form control with spike coding networks
Donders Institute for Brain, Cognition and Behavior（唐德斯大脑、认知与行为研究所）；Radboud University（拉德堡德大学）
本文扩展脉冲编码网络理论，引入闭式最优估计与控制，构建无需学习的脉冲式线性二次型高斯控制器，并在多种扰动下验证其鲁棒性。
2023-07-17 cs.AI cs.NE cs.SY
Interplay between Excitability and Noise in Analog Spiking Neurons
ICTEAM Institute, UCLouvain（UCLouvain ICTEAM研究所）；Politecnico di Torino（都灵理工大学）；Department of Physics, Kyoto University（京都大学物理系）
本研究通过工业级SPICE仿真，发现CMOS模拟尖峰神经元在时变输入下比恒定输入具有更可靠的尖峰时间，并利用热力学不确定关系揭示了振荡状态的可靠性-耗散权衡限制。
2026-10-06 cond-mat.stat-mech cs.SY eess.SY
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
Minimizing information loss reduces spiking neuronal networks to differential equations
本文通过引入仅假设突触电导快速自去相关的马尔可夫近似，将同质脉冲神经元网络最小信息损失地转化为常微分方程系统，从而系统刻画有限规模网络的同步、亚稳态、吸引子几何与分岔结构。
2024-11-22 math.DS q-bio.NC
Transfer entropy in continuous time, with applications to jump and neural spiking processes
在许多复杂系统中，传递熵已被用来量化源变量和目标变量之间的定向信息流。虽然转移熵最初是在离散时间中制定的，但本文我们基于完整路径实现度量之间的Radon-Nikodym导数，提供了一个考虑连续时间系统中转移熵的框架。为了描述单个路径实现的信息动力学，我们引入了路径转移熵，其期望值是在有限时间间隔内累积的转移熵。我们证明，这种形式主义允许瞬时转移熵率。这些性质类似于沿着路径定义的物理量的行为，例如功和热。我们使用这种方法来产生一个明确的形式为纯跳跃过程的传递熵，并强调在特定情况下的点过程（经常在神经科学中使用的模型神经尖峰列车）的简化形式。最后，我们提出了两个合成尖峰神经元模型的例子来展示我们的形式主义的相关功能，即，点过程的信息流由不连续的跳跃贡献（在目标尖峰）中断连续变化的贡献（有关目标尖峰之间的等待时间）。数值方案的基础上，我们的形式主义承诺显着的好处，现有的战略的基础上离散时间形式主义。
2017-04-01 cs.IT math.IT nlin.AO
Multiscale fusion enhanced spiking neural network for invasive BCI neural signal decoding
University of Chinese Academy of Sciences（中国科学院大学）；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）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
本文提出多尺度融合增强脉冲神经网络MFSNN，结合时间卷积、通道注意力、跳跃连接和小批量监督泛化学习，在侵入式脑机接口解码中兼顾高精度与高能效，并适合神经形态芯片部署。
2024-09-14 cs.AI cs.NE q-bio.NC
FPGA Deployment of LFADS for Real-time Neuroscience Experiments
University of Washington（华盛顿大学）；National Yang Ming Chiao Tung University（国立阳明交通大学）
针对神经群体动力学分析中LFADS推理延迟问题，提出FPGA高效实现，在Xilinx U55C上实现单次试验41.97微秒的低延迟推理。
2024-02-02 cs.LG cs.NE q-bio.NC
