Exponential distance distribution of connected neurons in simulations of two-dimensional in vitro neural network development
连接神经元的几何距离的分布是大脑中神经网络的一个实际因素。它可以影响地面的脑电动力学特性。Karbowski推导出了一个幂律衰减分布,但尚未被实验验证。在这项工作中,我们检查其有效性使用模拟与现象学模型。基于Ito在体外培养容器中二维发育神经网络的方法,通过对突触数饱和时间的匹配,得到适合发育过程的参数,进而确定在此条件下连接神经元之间的距离分布。我们的模拟得到了一个明确的指数分布,而不是幂律分布,这表明Karbowski的结论是无效的,至少对于二维培养容器中体外神经网络的发展情况。
2017-02-11 physics.data-an q-bio.NC
Mimicking Collective Firing Patterns of Hundreds of Connected Neurons using a Single-Neuron Experiment
神经网络的实验研究需要同时测量大量的神经元,同时监测连接性、突触强度和延迟的特性。目前的技术障碍使这一任务无法实现。此外,由于所需测量的数量巨大,估计的网络参数将不同于原始参数。在这里,我们提出了一个通用的实验技术,它使研究的经常性神经网络活动,同时能够支配网络的连接和突触强度。这种方法是基于这样的观察,即神经元的反应完全取决于它们最近的刺激,即短期记忆。它允许长期刺激和记录单个神经元的方案,以模仿递归网络中神经元的同时活动测量。利用这种技术表明自发出现的合作同步振荡,特别是快速伽玛和缓慢的德尔塔振荡的共存,并打开了大规模神经网络内的其他合作现象的实验研究的视野。
2016-01-10 cond-mat.stat-mech 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
Cell assembly dynamics of sparsely-connected inhibitory networks: a simple model for the collective activity of striatal projection neurons
纹状体投射神经元形成一个稀疏连接的抑制网络,这种安排可能是必要的适当的时间组织的行为。在这里,我们表明,一个简化的,稀疏的抑制网络的泄漏整合和消防神经元可以重现一些关键特征的纹状体人口活动,在脑切片中观察到[Carrillo-Reid et al.,神经生理学杂志99(2008)1435{1450}。特别是,我们开发了一个新的度量,以确定条件下,稀疏抑制网络形成反相关的细胞组装与随时间变化的活动的个别细胞。我们发现,在这些条件下,网络显示输入特定序列的细胞组装开关,有效地区分类似的输入。我们的结果支持了这样的提议[Ponzi和Wickens,PLoS Comp Biol 9(2013)e1002954],即纹状体投射神经元之间的GABA能连接允许刺激选择性的、暂时延长的细胞组装体的顺序激活。此外,我们帮助显示如何改变纹状体内GABA能信号可能会产生异常的网络水平的信息处理的疾病,如帕金森氏症和亨廷顿氏病。
2015-11-21 nlin.CD q-bio.NC
Periodic travelling waves in the theta model for synaptically connected neurons
我们研究了在Theta模型的线性连续突触相互作用的神经元的周期性行波。我们证明了当神经元是振荡的时,每个波数至少存在一个周期旅行。在可兴奋神经元的情况下,我们证明,没有周期性行波存在时,突触耦合是弱的,和至少有两个周期性行波的每个波数,一个“快”的和一个“慢”的,存在时,突触耦合是足够强的。我们推导出明确的上限和下限的“临界”耦合强度以及波的速度。我们还研究了大波数和小波数的极限,得到了与突触耦合核的形式无关的结果。给出了周期行波的数值计算结果。
2004-09-27 nlin.AO nlin.PS q-bio.NC
Rich dynamics caused by known biological brain network features resulting in stateful networks
Lund University(隆德大学)
哺乳动物的大脑可以包含密集和稀疏的网络连接结构,包括兴奋性和抑制性神经元,但没有任何明确定义的输出层。神经元具有时间常数,这意味着集成网络结构具有状态记忆。网络结构包含不同条件下神经元之间复杂的相互作用,这取决于网络的内部状态。内部状态可以定义为网络中所有单个神经元的活动分布。因此,神经元/网络的状态成为如何在网络内表示信息的定义因素。在这项研究中,我们构建了一个完全连接(密集/稀疏编码策略)的递归网络,由兴奋性和抑制性神经元组成,由不同频率的伪随机输入驱动。在这项研究中,我们评估了丰富网络状态动力学的神经元的不同特定内在参数的影响,例如初始神经元活动,与阈值神经元和传导延迟相结合的抑制量。通过量化每个给定输入的网络内神经元之间相互作用的变化来评估影响。我们发现,这种影响在稀疏连接的网络中比在密集连接的网络中更深刻。然而,密集连接的网络也可以利用神经元之间相互作用的动态变化,因为给定的输入可以诱导多种不同的网络状态。
2021-06-03 cs.AI cs.NE q-bio.NC
Sparse and Dense Encoding in Layered Associative Network of Spiking Neurons
synfire链是一种简单的神经网络模型,它可以传播被称为脉冲包的稳定同步尖峰,并被广泛研究。然而,synfire链如何在一个网络中共存仍有待阐明。我们已经研究了一个分层的Leaky Integrate-and-Fire神经元的联想网络的活动,在这种连接中,我们通过Hebbian学习嵌入记忆模式。我们用Fokker-Planck方法分析了它们的活性。在我们之前的报告中,当一半的神经元属于每种记忆模式(记忆模式率$F=0.5$)时,网络活动的时间分布在一定的输入条件下被分成时间上聚集的组,称为子格。在这项研究中,我们表明,当网络是稀疏连接($F<0.5$),同步发射的记忆模式促进。相反,密集连接的网络($F>0.5$)禁止同步触发。稀疏度和密集度也会影响嵌入记忆模式的吸引域和存储容量。我们证明了稀疏(密集)连接的网络扩大(缩小)了吸引的基础,增加(减少)了存储容量。
2007-05-17 q-bio.NC
Rhythmogenic neuronal networks, pacemakers, and k-cores
神经元网络由单个神经元的动力学和将它们连接在一起的网络的连接性的组合控制。我们研究的preBotzinger复杂,一个小的神经网络,控制哺乳动物的呼吸节律,通过定期发射突发的最小模型。我们表明,这样一个随机连接的网络相同的兴奋性神经元的属性是从根本上不同的均匀连接的神经元网络所描述的平均场理论。我们表明:(i)网络的连接性属性决定了触发放电爆发的紧急起搏器的位置;(ii)终止放电爆发的集体脱敏再次由网络连接性通过k核神经元集群决定。
2008-12-06 cond-mat.dis-nn cond-mat.stat-mech q-bio.NC
Neuronal graphs: a graph theory primer for microscopic, functional networks of neurons recorded by Calcium imaging
连接的网络是神经生物学的基本结构。理解这些网络将有助于我们阐明计算的神经机制。从数学上讲,这些网络是“图”-包含连接的对象的结构。在神经科学中,对象可以是大脑的区域,例如fMRI数据,或者是单个神经元,例如荧光显微镜的钙成像。图形的正式研究,图论,可以为神经科学家提供大量的算法来探索网络。图论已经以各种方式应用于功能磁共振成像数据,但最近,已经开始应用于神经元的尺度,例如功能性钙成像。在这本入门书中,我们解释了图论的基础知识,并将它们与钙成像神经元的微观功能网络特征-神经元图联系起来。我们探讨了最近的例子,图论应用于钙成像,我们强调了一些新的领域的研究人员可能会出错。
2020-10-19 q-bio.NC q-bio.QM
Deleting object selective units in a fully-connected layer of deep convolutional networks improves classification performance
灵长类视皮层神经元表现出广泛的刺激选择性。有些神经元只对一小部分刺激图像作出反应,而另一些神经元则以非选择性的方式对许多刺激图像作出反应。目前还不清楚刺激选择性和非选择性神经元如何促进视觉物体识别。在本文中,我们使用两种类型的深度卷积神经网络(DCNN)的完全连接层来检查刺激选择性与删除单元对任务性能的影响之间的关系。删除刺激选择性单位的任务性能略有改善,而删除刺激非选择性单位的任务性能造成了显着下降。然而,这些发现并不意味着刺激选择单位没有使用的任务。事实上,更好的性能时,网络包括刺激选择性和非选择性的单位。
2020-01-21 q-bio.NC
Storage of phase-coded patterns via STDP in fully-connected and sparse network: a study of the network capacity
我们研究了存储和检索的相位编码模式作为稳定的动态吸引子在循环神经网络,模拟和集成和消防尖峰模型。突触强度由基于尖峰时间依赖性可塑性的学习规则确定,具有取决于突触前和突触后活动之间的相对定时的不对称时间窗。我们存储多个模式并研究网络容量。对于模拟模型,我们发现网络容量与网络规模成线性关系,并且容量和检索状态的振荡频率都取决于学习时间窗口的不对称性。除了全连接网络之外,我们还研究了稀疏网络,其中每个神经元仅连接到少数z << N个其他神经元。连接可以是短距离的,位于规则晶格上的相邻神经元之间,也可以是长距离的,位于随机选择的神经元对之间。我们发现,一小部分的远程连接能够放大网络的容量。这意味着小世界网络拓扑是最佳的,作为长距离连接成本和容量增加之间的折衷。此外,在尖峰整合和火灾模型的存储和检索的多个相位编码模式的关键结果进行了观察。研究了全连接脉冲网络的容量,以及恢复态振荡频率与窗口不对称性的关系。
2010-09-07 q-bio.NC
Fast simulations of highly-connected spiking cortical models using GPUs
在过去的十年里,人们对开发用于模拟大规模尖峰神经元网络的并行硬件系统的兴趣越来越大。与其他高度并行系统相比,GPU加速解决方案具有成本相对较低和通用性强的优势,这也要归功于使用CUDA-C/C++编程语言的可能性。NeuronGPU是一个GPU库,用于大规模模拟尖峰神经网络模型,使用C++和CUDA-C++编程语言编写,基于一种新颖的尖峰传递算法。该库包括简单的LIF(leaky-integrate-and-fire)神经元模型以及几个具有基于电流或电导的突触的多突触AdEx(adaptive-exponential-integrate-and-fire)神经元模型、用户可定义的模型和不同的设备。AdEx模型的动力学微分方程的数值解是通过一个并行实现,写在CUDA-C++,五阶龙格-库塔法与自适应步长控制。在这项工作中,我们评估了这个库的性能上的模拟皮质微电路模型,基于LIF神经元和电流为基础的突触,并在一个平衡的网络的兴奋性和抑制性神经元,使用AdEx神经元和电导为基础的突触。在这些模型上,我们将证明所提出的库在每秒生物活性的模拟时间方面达到了最先进的性能。特别是,使用单个NVIDIA GeForce RTX 2080 Ti GPU板,可以以非常接近实时的速度模拟包括约77,000个神经元和$3 \cdot 10^8$连接的全尺寸皮层微电路模型,而1,000,000个AdEx神经…
2020-11-09 cs.DC cs.NE q-bio.NC
Relaxation and self-sustained oscillations in the time elapsed neuron network model
时间流逝模型描述了一个均匀的神经元组件的放电活动,这要归功于自上次放电以来所经过的时间的分布。它给出了一个数学描述的概率密度的神经元结构的时间。在较早的工作中,广义相对熵方法的基础上,它被证明是高度或弱连接网络的模型表现出松弛的稳定状态和适度连接的网络,它是获得的自我维持的周期解的外观的数值证据。在这里,我们更进一步,并使用特定形式的模型,我们量化的制度,松弛到一个稳定的状态发生在网络连接。为了介绍我们的方法,我们首先考虑的情况下,神经元是不连接的,我们给出了一个新的声明,表明总的异步发射的神经元出现渐近。在第二步中,我们考虑连接的情况,并给出一个低连接条件,仍然导致异步触发。我们的低连通性条件在某种程度上是尖锐的,因为我们可以给出一个例子,当这个条件不满足时,同步节律活动发生。事实上,我们能够建立几个明确的家庭的周期解。我们的构造是完全非线性的,并且网络中神经活动的非线性化不遵循分叉分析。它依赖于一个代数非线性边界条件,发生在model.These解析结果进行了比较与数值模拟在更广泛的假设下,并被证明是强大的。
2011-09-15 math.AP q-bio.NC
On a toy network of neurons interacting through their dendrites
考虑大量$n$神经元,每个神经元与随机选择的大约$N$其他神经元相连。当一个神经元以某种速率随机发生尖峰时,它的电位被设置为最小值$v_{min}$,并且在一个小的延迟之后,这在它所连接的所有神经元的(线性)树突上启动两个前沿。锋面以恒定速度移动。当两个前沿(在同一个神经元的树突上)碰撞时,它们会湮灭。当一个前沿击中神经元的胞体时,其电位增加一个小值$w_n$。根据一些适定的常微分方程,在跳跃之间,假设神经元的电位在$[v_{min},\infty)$中漂移。我们证明了当$n,N \to \infty$与$w_n \simeq N^{-1/2}$结合时系统的解析导出的平均场极限的存在唯一性。我们利用Deuschel和Zeitouni \cite{dz}关于i.i.d.的最长递增子序列的大小的结果的一些最近的版本。图中的点的集合。我们还研究,在一个非常特殊的情况下,一个略有不同的模型,神经元尖峰时,他们的潜力达到一些最大值$v_{max}$,并找到一个明确的公式(启发式)平均场的限制。
2019-04-26 math.PR q-bio.NC
Role of calcium and noise in the persistent activity of an isolated neuron
使用Hodgkin-Huxley和Integrate-and-Fire框架研究了孤立和自动连接神经元的活动。模型的主要成分是在实验中观察到的自刺激自适应电流,具有自发突触释放噪声和钙依赖性负反馈机制。解析计算了脉冲间间隔和脉冲持续时间的分布,与实验数据吻合较好。
2004-06-03 cond-mat.dis-nn q-bio.NC
How single neuron properties shape chaotic dynamics and signal transmission in random neural networks
虽然大多数随机连接网络的模型假设节点具有简单的动态特性,但现实高度连接网络中的节点,如大脑中的神经元,在多个时间尺度上表现出内在的动态特性。我们分析了节点(如单个神经元)的动态特性和经常性连接如何相互作用,以塑造大型随机连接网络中的有效动态。一种新的动力学平均场论的强连接网络的多维速率单元表明,在混沌阶段的网络活动的功率谱出现从单个单元的频率响应函数的非线性锐化。对于具有强适应性的二维速率单元的情况,我们发现网络呈现出“共振混沌”状态,其特征在于鲁棒的窄带随机振荡。随机振荡的相干性在混沌开始时最大,它们的相关时间尺度与单个单元的适应时间尺度有关。令人惊讶的是,共振频率可以预测从孤立的单元的属性,即使在适应参数的异质性的存在下。在这些内部产生的混沌波动的存在下,弱,低频信号的传输被强烈增强的自适应,而信号传输不受影响的非混沌政权的自适应。我们的理论框架可以应用于其他机制在单节点的水平,如突触过滤,不应或尖峰同步。这些结果推进了我们对单个单元的动力学和循环连接之间的相互作用的理解,这是描述大脑中生物现实网络模型的基本步骤,或者更一般地说,其他物理或人造复杂动力学单元的网络。
2019-02-28 cond-mat.dis-nn q-bio.NC
Coherent periodic activity in excitatory Erdos-Renyi neural networks:The role of network connectivity
我们考虑一个泄漏的积分-激发脉冲耦合神经元的兴奋性随机网络。神经元的连接方式与有向Erdös-Renyi图相同,平均连接度$<k>$与网络中神经元的数量成幂律关系。缩放由参数$γ$控制,其允许从大规模连接到稀疏网络,并且因此修改系统的拓扑。在宏观层面上,我们观察到两个不同的动力学阶段:一个异步状态(AS)对应于一个desertified动态的神经元和部分同步(PS)制度与一个连贯的周期性活动的网络。在低连通性时,系统处于AS中,而PS出现在某个临界平均连通性$<k>_c$之上。对于足够大的网络,$<k>_c$饱和到一个恒定的值,这表明最小的平均连通性足以在任何大小的系统中观察到相干活动,而不管所考虑的网络类型:稀疏或大规模连接。然而,这个值取决于突触的性质:可靠或不可靠。对于不可靠的突触,观察宏观行为的发生所需的临界值明显小于可靠的突触传递。由于系统中存在的无序性,对于有限数量的神经元,我们在神经元行为中具有不均匀性,诱导弱形式的混沌,其在热力学极限下消失。在这样的限制下,无序系统表现出规则(非混沌)的动力学和它们的属性对应于一个均匀的全连接网络的任何$γ$值。除了稀疏网络的特殊例外,它在任何系统规模下都保持本质上的不均匀性。
2011-12-28 cond-mat.dis-nn nlin.CD q-bio.NC
Efficient Hopfield pattern recognition on a scale-free neural network
神经网络应该识别每个$N$像素(位)的模糊图像(或图案)。将网络应用于$P$预先分配的模式之一的初始模糊版本应该收敛到正确的模式。在“标准”Hopfield模型中,$N$“神经元”通过包含存储模式信息的$N^2$键相互连接。因此,计算机的时间和内存一般随着$N^2$的增长而增长。Hebb规则指定突触耦合强度与两个耦合神经元处的存储模式的重叠成比例。在这里,我们在Barabasi-Albert无标度网络上模拟Hopfield模型,其中每个新添加的神经元仅与$m$其他神经元连接,并且在结束时,与$q$相邻的神经元的数量衰减为$1/q^3$。虽然小$m$的检索质量下降,我们发现良好的联想记忆$1 \ll m \ll N$。因此,这些网络在计算机存储器和时间中获得因子$N/m \gg 1$。
2003-01-02 cond-mat.stat-mech q-bio.NC
Fluctuations and information filtering in coupled populations of spiking neurons with adaptation
大量的尖峰元素是大脑功能的基础,但也用于物理学的许多领域。在这里,我们提出了一个理论的动力学的尖峰单位的有限大小的人口,基于准更新描述的神经元与适应。我们推导出一个积分方程的有色噪声,管理的人口活动的随机动力学响应于时间依赖性的刺激和计算的谱密度在异步状态。我们表明,系统的耦合人口与适应可以产生一个频带中的感官信息优先编码。该理论适用于完全以及随机连接的网络,并泄漏集成和消防以及广义尖峰神经元适应多个时间尺度。
2015-03-03 q-bio.NC
Broadly heterogeneous network topology begets order-based representation by privileged neurons
尖峰活动如何通过神经元网络反射,诱发和自发活动如何相互作用和融合,以及组合活动如何代表外部刺激是神经科学中的关键问题。我们模拟了非结构化尖峰网络的最小模型,询问是否以及如何温和的外部刺激可能随后反映在自发活动波动中。与早期的研究结果一致,在硅片和体外,我们观察到一个特权的亚群的“先锋神经元”,通过他们的发射顺序,可靠地编码以前的外部刺激。我们发现,先锋神经元的独特作用是由于对网络活动的特殊敏感性和显著影响的结合。我们进一步表明,广泛的异构连接拓扑结构-广泛的“中产阶级”的连通程度-不仅增加了非结构化网络中的“先锋神经元”的数量,而且还呈现出“先锋神经元”的出现更强大的兴奋-抑制平衡的变化。总之,我们提供了一个最小的模型的出现和代表性的作用的“先锋神经元”,在体外实验观察。此外,我们展示了如何广泛的异构连接,可以提高非结构化网络的代表能力。
2018-02-27 q-bio.NC
Introduction to dynamical mean-field theory of randomly connected neural networks with bidirectionally correlated couplings
School of Physics, Sun Yat-sen University(中山大学物理学院);Guangdong Provincial Key Laboratory of Magnetoelectric Physics and Devices, Sun Yat-sen University(中山大学广东省磁电物理与器件重点实验室)
本文以具有双向关联耦合的随机全连接神经网络为例,教学式介绍动力学平均场理论,并引入动力学腔方法推导相同结果,同时给出数值求解方案。
2023-10-07 cond-mat.dis-nn cond-mat.stat-mech cs.LG
Synchronization in model networks of class I neurons
我们研究了一个修改的规范模型的网络的I类神经元,Hoppensteadt和Izhikevich提出的,其中的“脉冲”发出的神经元是光滑的,而不是一个三角函数。我们证明了两种类型的结果同步和descherization这样的网络,第一种类型有关的“脉冲”的功能是对称的,和其他类型的制度中,每个神经元连接到许多其他神经元。
2003-09-28 cond-mat.dis-nn nlin.AO nlin.PS
Frequency selectivity of neural circuits with heterogeneous transmission delays
神经元通过轴突和树突连接到其他神经元,轴突和树突以有限的速度传导信号,导致神经元的放电与所得脉冲到达其他神经元之间的延迟。由于延迟极大地复杂化了模型的分析处理和解释,它们通常被忽略或被认为是统一的,导致缺乏对神经系统中延迟影响的理解。本文表明,异质传输延迟使小群体的神经元选择性地响应不同的频谱输入。通过研究接收相关时移输入的单个积分和激发神经元,显示了频率响应如何与传入连接的强度和延迟时间相关联。结果表明,加入延迟改变了神经网络的功能,并改变了神经连接和突触强度的影响。
2020-09-19 q-bio.NC
Transient Information Flow in a Network of Excitatory and Inhibitory Model Neurons: Role of Noise and Signal Autocorrelation
我们研究了稀疏连接的整合-激发神经元网络在超短期信息处理中的性能。我们利用这样一个事实,即具有平衡的激励和抑制的网络的群体活动可以从振荡发射制度切换到异步不规则发射或静止的状态,这取决于外部背景尖峰的速率。我们发现,在信息缓冲方面,网络在适度的非零噪声量下表现最好。类似于随机共振现象,性能随着噪声水平的升高和降低而降低。噪声的最佳量对应于静态和随机动态之间的过渡区。这提供了一个潜在的解释的作用,非振荡人口活动在一个简化的模型皮质微电路。
2005-02-23 q-bio.NC
Chaotic Dynamics in Iterated Map Neural Networks with Piecewise Linear Activation Function
本文研究离散时间动态的神经元模型(兴奋和抑制型)与分段线性激活函数,这是连接在一个网络。详细研究了一对相互连接的神经元(一个兴奋性神经元,另一个抑制性神经元)的性质。即使是这样一个简单的系统也表现出丰富的行为,包括高周期振荡和混沌。边界碰撞分岔和多重分形破碎的相空间也观察到的参数值的范围。在某些限制性假设下,建议将模型扩展到更大数量的神经元,这使得所得到的网络动态有效地一维。网络的信息处理的可能应用进行了概述。这些包括使用网络进行自动关联、模式分类、非线性函数逼近和周期序列生成。
1999-03-06 chao-dyn nlin.CD q-bio.NC
Towards Biologically Plausible Convolutional Networks
Gatsby Unit, UCL(伦敦大学学院盖茨比单元);DeepMind;CoMPLEX, UCL(伦敦大学学院CoMPLEX)
卷积网络在深度学习中无处不在。它们对图像特别有用,因为它们减少了参数的数量,减少了训练时间,并提高了准确性。然而,作为大脑的模型,它们存在严重的问题,因为它们需要权重共享-这是真正的神经元根本无法做到的。因此,虽然大脑中的神经元可以局部连接(卷积网络的特征之一),但它们不能是卷积的。然而,局部连接但非卷积网络的性能明显低于卷积网络。这对于使用卷积网络来解释视觉系统活动的研究来说是很麻烦的。在这里,我们研究了权重共享的可行替代方案,其目标是相同的正则化原则,即使池中的每个神经元对相同的输入做出相似的反应。最自然的方法是向网络显示同一图像的多个翻译,类似于动物视觉中的扫视。然而,这种方法需要许多转换,并且不能消除性能差距。相反,我们建议将横向连接添加到本地连接的网络,并允许通过赫布可塑性学习。这需要网络偶尔暂停,以进行类似睡眠的“权重共享”阶段。这种方法使本地连接的网络能够在ImageNet上实现接近卷积的性能,并提高了它们对腹侧流数据的拟合度,从而支持卷积网络作为视觉流的模型。
2022-01-15 cs.LG cs.NE q-bio.NC
Utilizing Neurons for Digital Logic Circuits: A Molecular Communications Analysis
随着合成生物学的发展,多年来已经将几种新工具概念化为当前医疗程序的替代疗法。这些应用大多适用于各种慢性疾病。这项工作研究了合成工程神经元如何作为数字逻辑门运行,可用于大脑的生物计算。我们量化了逻辑门在神经元网络中高放电率下的准确性,以及它能在多大程度上消除不受控制的神经元放电。为了测试我们的方法的有效性,模拟组成的神经元连接在一个结构,代表一个逻辑门的计算模型进行。模拟演示了执行正确逻辑运算的准确性,以及特定属性(如发射率)如何在准确性中发挥重要作用。作为分析的一部分,均方误差用于量化我们提出的模型的质量,并基于不同的采样频率预测门的准确操作。作为一个应用,逻辑门被用来捕获癫痫发作的神经网络,其中的结果表明,降低放电率的有效性。我们提出的系统具有计算大脑的许多神经系统状况的潜力。
2019-09-18 cs.ET q-bio.NC