神经网络建模中的连接性概念
摘要：计算模型的可持续研究需要已发表的模型具有可理解性、可再现性和可扩展性。数学概念和假设、算法实现或参数化方面的缺失细节或模糊不清会阻碍进展。这些缺陷很不幸很常见，其中一个原因是缺乏可直接应用的模型描述的标准和工具。我们的工作旨在推进完整而简洁的网络连接描述，同时指导模拟软件和神经形态硬件系统中连接例程的实现。我们首先回顾了计算神经科学社区在ModelDB和Open Source Brain等仓库中提供的模型，并调查了相应的连接结构及其在手稿和代码中的描述。这个回顾包括具有不同神经解剖细节水平的网络的连接，并揭示了现有描述语言和模拟器接口中的连接是如何被抽象的。我们发现，大部分已发表的连接描述是模糊的。基于这个回顾，我们推导出一组用于确定和概率连接网络的连接概念，并讨论了嵌入度量空间网络的问题。除了这些数学和文本指导方针，我们提出了一种统一的网络图形符号表示法，以便直观地理解网络属性。代表性网络模型的示例证明了这些想法的实际应用。我们希望提出的标准化措施能够促进计算神经科学中神经网络连接的清晰描述和可再现实现。
作者：Johanna Senk, Birgit Kriener, Mikael Djurfeldt, Nicole Voges, Han-Jia Jiang, Lisa Sch"uttler, Gabriele Gramelsberger, Markus Diesmann, Hans E. Plesser, Sacha J. van Albada
论文ID：2110.02883
分类：Neurons and Cognition
分类简称：q-bio.NC
提交时间：2022-09-16