通过相互信息识别的局部神经可塑性

科学领域:

• 计算神经科学是一种神经科学.
• 人工智能的人工智能
• 认知科学 认知科学

背景情况:

• 了解生物记忆机制对于开发高级AI至关重要.
• 皮层网络表现出信息处理和存储的复杂动态.
• 现有的模型往往缺乏生物现实主义或高效的学习机制.

研究的目的:

• 开发一个生物现实的神经网络模型,用于模式记忆和检索.
• 识别和利用高相互信息 (MI) 神经元,以有效地储存和回忆模式.
• 在学习过程中调查网络中的可塑性和信息动态.

主要方法:

• 利用一种类似于皮质的平衡抑制刺激网络与异质神经元.
• 实施了一次性适应性学习过程,专注于高MI神经元和抑制 ("局部可塑性").
• 在学习前,学习后和通过刺激回忆后评估模式表示质量.

主要成果:

• 确定了高MI的神经元作为模式表示的关键信息载体.
• 在1000/1200个神经元网络中展示了高效的模式存储 (k=10个模式,s=400).
• 通过仅刺激高MI神经元,实现可靠的模式回忆,回忆模式与原始输入具有很高的相似性.
• 在适应过程中观察到神经元属性分布从高斯式转变为lognormal.

结论:

• 该模型成功地展示了生物现实的模式记忆和检索.
• 刺激高MI神经元是有效回忆模式的可行策略.
• "本地化可塑性"的方法提供了高的学习效率.
• 该模型在人工智能和理解大脑功能方面有潜在的应用.