具有优化单个神经元适应性的神经网络发现了生物学上可信的规范化

科学领域:

• 计算神经科学是一种计算神经科学.
• 人工智能的人工智能是人工智能.
• 动态系统理论 动态系统理论

背景情况:

• 生物神经元表现出适应性输入-输出特性,如异质的f-I曲线和尖端频率适应.
• 这些细胞特性被认为可以在不断变化的刺激下优化神经编码.
• 了解神经回路如何利用单个神经元的灵活性仍然是一个挑战.

研究的目的:

• 为了研究单个神经元适应机制如何被大脑电路利用.
• 通过使用计算模型,探索网络层面的要求如何塑造细胞功能.
• 在一个端到端优化的人工神经网络中,系统地研究单个神经元的输入输出适应性.

主要方法:

• 利用具有可适应的非线性激活功能的人工神经网络 (ANN).
• 参数化神经元激活功能模仿生物FI曲线.
• 实现静态单个神经元适应和实时共享适应机制.
• 应用动态系统理论来分析新出现的网络属性.

主要成果:

• 适应性ANN显著提高了对噪声和输入统计变化的稳定性.
• 在优化网络中出现的单个神经元特性被发现起到了积极的调节作用.
• 这些网络显示出了随着时间的推移在优化传播信息方面的增强能力.

结论:

• 单个神经元的适应性对于神经回路中的强大和高效的信息处理至关重要.
• 人工神经网络可以有效地建模和揭示生物神经计算的原理.
• 在ANN中优化的自适应机制反映了生物编码策略,如增益缩放.