在扭曲空间中放松的分层模块化动态神经网络：基本模型及其特性
摘要：一个层次化模块化的动力学神经网络模型被提出，其架构最小化了一个特别设计的能量函数，并定义了其时间特性。该模型有一个内部空间和一个外部空间，它们通过一个由静态神经元组成的前向和后向子网络的分层互联来连接。具有大时间常数的动态神经元在内部空间中确定了整体时序。该模型提供了一个框架，在其中网络中的状态变量在一个扭曲的空间中松弛，这是由于动态神经元和静态神经元之间的相互作用所导致的。我们假设系统在学习模式或联想模式下运行，取决于反馈路径和输入端口的存在与否。在学习模式下，与神经元爆发相对应的强输入修改了内部网络中的突触权重，这表示短期平均神经脉冲密度或膜电位中的正弦或准正弦波。通过使用具有不同频率的信号，可以形成二维映射关系，这是基于与Lissajous曲线相同的机制。在联想模式下，收敛到目标点的速度在先前训练的内部网络的映射关系下会有很大的变化，由于这一特性，在具有非线性映射子网络的二维模型中，收敛轨迹不能直线前进，而必须弯曲。我们进一步介绍了一个带有给定目标轨迹的受限联想模式，并阐明在内部空间中，根据前向子网络的映射关系的逆映射，生成了一个输出轨迹。
作者：Kazuyoshi Tsutsumi and Ernst Niebur
论文ID：2211.11346
分类：Neurons and Cognition
分类简称：q-bio.NC
提交时间：2022-11-22