通过内源性默认模式网络动力学实现初级自我意识的脉冲神经网络模型
A Spiking Neural Network Model of Elementary Self-Consciousness via Endogenous Default Mode Network Dynamics
浏览论文内容
中文总结 AI 辅助
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。
中文摘要 AI 辅助
理解自我参照认知和基线自我意识背后的神经生物学机制仍然是计算神经科学中的一个基本挑战。在这项工作中，我们提出了一个大规模计算模型，该模型包含一个基于Izhikevich动力学的10,000神经元脉冲神经网络（SNN）。该网络结构分为两个相互作用的子系统：一个感觉处理层（5,000个规则发放的皮层神经元）和一个内源性默认模式网络（DMN）起搏器子系统（5,000个内在爆发神经元）。DMN层由反映上行脑干神经调质的连续紧张性电流调制，维持独立于外部感觉输入的内在自主生物电节律。为了表示自上而下的认知调节，突触权重被分层结构化，使得DMN到网络的投射超过感觉层面的连接。通过使用改进的两步欧拉积分方案的数值模拟，我们展示了内源性起搏器活动如何与瞬态外部感觉扰动相互作用，为持续的、自我维持的“自我”神经表征的出现提供了一个基本的数学框架。
英文摘要
Understanding the neurobiological mechanisms underlying self-referential cognition and baseline self-consciousness remains a fundamental challenge in computational neuroscience. In this work, we propose a large-scale computational model incorporating a 10,000-neuron spiking neural network (SNN) based on Izhikevich dynamics. The network is structured into two interacting subsystems: a sensory processing layer (5,000 regular-spiking cortical neurons) and an endogenous Default Mode Network (DMN) pacemaker subsystem (5,000 intrinsically bursting neurons). The DMN layer is modulated by continuous tonic currents reflecting ascending brainstem neuromodulation, maintaining intrinsic, autonomous bioelectric rhythms independent of external sensory input. To represent top-down cognitive modulation, synaptic weights are hierarchically structured such that DMN-to-network projections exceed sensory-level connections. Through numerical simulations using a modified two-step Euler integration scheme, we demonstrate how endogenous pacemaker activity interacts with transient external sensory perturbations, providing an elementary mathematical framework for the emergence of a persistent, self-sustaining neural representation of "Self".
发表机构
- Complutense University of Madrid（马德里康普顿斯大学）
- The Crazy Lab（疯狂实验室）
机构由 AI 辅助整理，请以论文原文为准。
