北京
关键词：神经动力学，神经元异质性，脉冲神经网络，中间神经元
论文题目：Neural heterogeneity controls computations in spiking neural networks 论文期刊：PNAS 论文地址：https://www.pnas.org/doi/10.1073/pnas.2311885121 斑图地址：https://pattern.swarma.org/paper/72b383d6-b129-11ee-bc79-0242ac17000e
神经元是大脑中的基本信息编码单元。大脑是由相互作用的神经元组成的复杂网络，而与计算机中的信息编码单元不同，这些神经元在生理和脉冲特性上表现出相当大的异质性。大脑是如何利用这种异质性来实现其处理信息和产生适应行为的功能呢？这种神经元异质性如何影响宏观神经动力学，又如何促进神经计算？
这项研究使用平均场模型来研究异质神经网络中的计算，研究细胞脉冲阈值的异质性如何影响神经群的三个关键计算功能：神经信号的门控、编码和解码。研究分析了异质脉冲神经元网络的数学模型，结果表明神经元异质性 （neural heterogeneity） 提供了一种之前未曾考虑过的控制神经回路计算特性的方法。
图1：脉冲阈值异质性对单个兴奋性、规则脉冲神经元群动力学的影响。具有低脉冲频率适应的兴奋性规则脉冲神经元。（B） 具有高脉冲频率适应的兴奋性规则脉冲神经元。（C）抑制性快速脉冲神经元。（D）抑制性低阈值脉冲神经元。
此外，本文还发现了抑制性异质性与兴奋性异质性在调节信号门控与信息编码和解码方面的不同能力。在抑制性中间神经元中，不同程度的脉冲阈值异质性允许它们在相互耦合的兴奋性群体中对神经信号的传播进行门控。同质性中间神经元施加同步动态，缩小了兴奋性神经元的动态范围，而异质性中间神经元则在保持兴奋性神经元功能的同时起到抑制性抵消的作用。脉冲阈值异质性还能控制神经网络对周期性输入的诱导特性，从而影响突触输入的时间门控。在兴奋神经元中，异质性增加了神经动力学的维度，提高了网络执行解码任务的能力。相反，同质网络的功能生成能力较差，但却擅长通过多稳态动态机制编码信号。
图2：均匀的抑制性中间神经元覆盖了兴奋性神经元的分叉结构。
图3：神经元异质性增加了神经群体的计算能力。图为脉冲阈值异质性会影响脉冲神经网络的函数生成特性。（A）用于函数生成的储层计算架构。（B）脉冲神经元群的二维分岔图。C） 网络读出信号和目标信号之间的均方误差，随时间和测试数据集的所有试验取平均值。（D）网络动力学的维数 ，根据网络中神经元之间的脉冲序列相关性计算得出。（E）试验中平均的网络响应核的归一化方差表明了网络函数生成能力的可靠性。
该研究的结果揭示了大脑的一个被忽视的特性——神经元异质性——如何允许计算专门化网络的出现。研究结果表明，异质性在不同类型的细胞中具有不同的计算功能。根据这些发现，本研究提出细胞内类型异质性是雕刻兴奋性和抑制性脉冲神经元局部回路计算特性的一种机制，它允许对同一典型微电路进行调整，以完成不同的计算任务。
编译｜郭瑞东
计算神经科学读书会
详情请见：
推荐阅读
1.
2.
3.
4.
5.
6.
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
