Networks of spiking neurons can emulate arbitrary Hopfield nets in temporal coding

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش:  
نویسندگان: Maass W.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 17 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 424 کیلوبایت 

قیمت کتاب (تومان) : 28,000

شبکه: کامپیوتر سیستم عصبی 8 (1997) 355-371. یک مدل نظری برای محاسبات آنالوگ در شبکه‌های نورون‌های spiking با کدگذاری زمانی معرفی و از طریق شبیه‌سازی در GENESIS آزمایش می‌شود. به نظر می رسد که استفاده از سیناپس های متعدد، مکانیسم های بسیار قوی نویز را برای محاسبات آنالوگ از طریق زمان بندی اسپایک های منفرد در شبکه های مدل های عصبی جزئی جزئی ایجاد می کند.
به این ترتیب، به روشی برای شبیه سازی شبکه های هاپفیلد دلخواه می رسیم. نورون‌های پراکنده در کدگذاری زمانی، مدل‌های جدیدی را برای یادآوری انجمنی الگوهای شلیک مکانی-زمانی ارائه می‌کنند. ما همچنین نشان می‌دهیم که ذخیره این الگوها در اثربخشی سیناپس‌های تحریک‌کننده کافی است.
معماری لایه‌ای متناظر اصلاحاتی از مدل زنجیره آتش نشان می‌دهد که می‌تواند مجموعه نسبتاً بزرگی از الگوهای شلیک پایدار مختلف را برای ورودی‌های مختلف فرض کند. نتایج تجربی اخیر از فیزیولوژی عصبی نشان داده‌اند که در بسیاری از سیستم‌های عصبی بیولوژیکی نه تنها سرعت شلیک، بلکه الگوی مکانی-زمانی شلیک عصبی حاوی اطلاعات مهمی است. br/> سایر نتایج تجربی اخیر نشان می‌دهد که در واقع قابل تردید است که آیا سیستم‌های عصبی بیولوژیکی قادر به انجام محاسبات آنالوگ با متغیرهای آنالوگ به عنوان نرخ شلیک هستند یا خیر. به دلیل "افسردگی سیناپسی" دامنه پتانسیل های پس سیناپسی ناشی از یک نورون پیش سیناپسی u به اندازه 1=f است که در آن f نرخ شلیک u است (به عنوان مثال، Abbott et al 1997 را ببینید). بنابراین، هم نورون‌هایی که به آرامی شلیک می‌کنند و هم نورون‌هایی که سریع شلیک می‌کنند، تقریباً همان مقدار جریان را در طول یک پنجره زمانی معین به نورون پس سیناپسی تزریق می‌کنند. این نشان می‌دهد که هم یک نورون مک‌کالوخ-پیتس و هم یک مدل نورون سیگموئیدی توانایی محاسباتی یک نورون بیولوژیکی برای کدگذاری نرخ را بیش از حد تخمین می‌زنند.
علاوه بر این، با توجه به نرخ شلیک نسبتاً پایین آنالوگ نورون‌های قشر مغز، استدلال شده است. محاسبات در سیستم‌های عصبی چندلایه با متغیرهای میانی که به‌عنوان نرخ شلیک نشان داده می‌شوند، برای دستیابی به سرعت محاسباتی مشاهده‌شده تجربی قشر بتن بسیار کند است.

Network: Comput. Neural Syst. 8 (1997) 355–371. A theoretical model for analogue computation in networks of spiking neurons with temporal coding is introduced and tested through simulations in GENESIS. It turns out that the use of multiple synapses yields very noise robust mechanisms for analogue computations via the timing of single spikes in networks of detailed compartmental neuron models.
In this way, one arrives at a method for emulating arbitrary Hopfield nets with spiking neurons in temporal coding, yielding new models for associative recall of spatio-temporal firing patterns. We also show that it suffices to store these patterns in the efficacies of excitatory synapses.
A corresponding layered architecture yields a refinement of the synfire-chain model that can assume a fairly large set of different stable firing patterns for different inputs. Recent experimental results from neurophysiology have shown that in many biological neural systems not only the firing rate, but also the spatio-temporal pattern of neuronal firing carries important information.
Other recent experimental results indicate that it is in fact questionable whether biological neural systems are able to carry out analogue computation with analogue variables represented as firing rates. Due to ‘synaptic depression’ the amplitude of postsynaptic potentials arising from a presynaptic neuron u tends to scale as 1=f where f is the firing rate of u (see, e.g. , Abbott et al 1997). Therefore both slowly firing neurons and rapidly firing neurons u inject roughly the same amount of current into a postsynaptic neuron during a given time window. This suggests that both a McCulloch–Pitts neuron and a sigmoidal neuron model overestimate the computational capability of a biological neuron for rate coding.
In addition, it has been argued that in view of the rather low firing rates of cortical neurons analogue computations in multi-layer neural systems with intermediate variables represented as firing rates would be much too slow to achieve the experimentally observed computation speed of concrete cortical.