超越脉冲网络：树突放大与输入分离的计算优势
摘要：通过分离树突输入和产生高频脉冲突破可以支持生物神经元中的误差反向传播。然而，这种方法需要将误差以细微的时空结构传播到神经元中，这在生物网络中是不可行的。为了放松这个假设，我们建议突波和树突输入分离为生物合理的基于目标的学习提供了自然支持，不需要误差传播。我们提出了一个由三个分离的区域构成的锥状神经元模型。基底区和顶区之间的巧合机制可以产生高频脉冲突破。此架构允许基于突波的学习规则，通过比较教学信号引发的目标突波活动和由递归连接引起的突波活动之间的差异，为目标为基础的学习提供支持。我们展示了这个框架可以有效地解决时空任务，例如存储和回忆3D轨迹。最后，我们建议这种神经元结构自然地支持“分层模仿学习”，将具有挑战性的长期决策任务分解为更简单的子任务。这可以在一个两级网络中实现，其中高级网络充当“管理器”并为低级网络“工作者”生成上下文信号。
作者：Cristiano Capone, Cosimo Lupo, Paolo Muratore, Pier Stanislao Paolucci
论文ID：2211.02553
分类：Neurons and Cognition
分类简称：q-bio.NC
提交时间：2022-11-07