在STDP驱动的记忆神经网络中同步,具有时间变化的拓

科学领域:

• 计算神经科学是一种神经科学.
• 神经网络的神经网络的神经网络
• 复杂的系统复杂的系统.

背景情况:

• 同步对于大脑功能至关重要,但在具有可塑性的神经网络中实现强大的同步的最佳条件仍然难以捉摸.
• 峰值时间依赖的可塑性 (STDP) 和静态结构可塑性 (HSP) 是影响神经网络动态的关键学习规则.
• 了解稳定同步的参数配置对于神经科学和神经形态工程至关重要.

研究的目的:

• 确定特定的参数配置,以实现强大的和持久的完全同步 (CS) 和相位同步 (PS).
• 研究STDP和HSP对不同时间变化的小世界和随机神经网络中的同步的影响.
• 确定网络参数 (如交联时间延迟,平均程度和重新布线概率) 如何影响同步稳定性.

主要方法:

• 模拟时间变化的小世界和随机神经网络.
• 实施的尖峰时间依赖的可塑性 (STDP) 和恒温结构可塑性 (HSP) 学习规则.
• 分析了参数变化的影响 (P,F,突触时间延迟,平均程度,重新布线概率) 对完全同步 (CS) 和相位同步 (PS) 度量.

主要成果:

• 降低参数P (增强STDP) 和增加参数F (突触交换率) 在两种网络类型中始终促进更高,更稳定的CS和PS.
• 增加F对CS和PS稳定性的影响取决于其他参数不理想时的网络拓.
• 突触时间延迟可以诱导间歇性CS和PS,独立于F参数.

结论:

• STDP和HSP参数的特定配置,特别是P和F,对于实现稳定的神经同步至关重要.
• 网络拓和像突触时间延迟这样的参数在调节同步模式中起着重要作用.
• 这些发现为通过神经同步设计神经形态电路提供了洞察力,以便通过神经同步有效处理信息.