将空间添加到突起神经元的随机网络中:一种基于缩放网络大小的方法

科学领域:

• 计算神经科学是一种计算神经科学.
• 网络科学 网络科学

背景情况:

• 尖端神经网络 (SNN) 模型经常使用缺乏真实大脑网络拓的随机图.
• 将空间属性纳入SNN是具有挑战性的,因为边界效应.
• 空间扩展可以引入虚假的行为,如振荡和不平衡的神经元活动.

研究的目的:

• 开发一种方法来创建空间SNN,这些SNN可以准确地反映大脑网络结构.
• 解决和防止由空间扩展和边界条件引起的虚假网络行为.

主要方法:

• 引入了具有空间延伸的SNN的边界解决方法.
• 该方法基于网络大小缩放技术,可保存网络统计数据.
• 确保神经元连接和活动的准确表示.

主要成果:

• 在空间神经网络中成功阻止了虚假的尖端行为.
• 提出的方法避免了振荡和神经元活动的不平衡.
• 维护网络的第一级和第二级统计数据.

结论:

• 开发的边界解决方法可以创建更现实的空间SNN.
• 这种技术克服了模拟大脑连接与空间属性的重大障碍.
• 促进神经系统的生物可信计算模型的开发.