机构名称：
¥ 1.0
摘要。人们认为，大脑网络保持高传输效率的方式是理解大脑活动的基础。由更多细胞组成的大脑使信息传输更加可靠，对噪声的鲁棒性更强。另一方面，在更大的网络中处理信息需要额外的能量。最近的研究表明，复杂性、连通性和功能多样性，而不仅仅是神经元的大小和数量，可能有利于记忆、学习和更高级认知的进化。在本文中，我们使用香农信息理论定量解决传输效率问题。我们将神经网络描述为通信通道，然后将信息测量为刺激和网络响应之间的互信息。我们采用基于 Levy 和 Baxter 提出的方法的概率神经元模型，该模型包含基本的定性信息传输机制。在本文中，我们概述并讨论了我们之前关于大脑启发网络的定量结果，并在更广泛的文献背景下探讨了它们的定性后果。结果表明，在非常嘈杂的环境中，例如，只有三分之一的输入脉冲被允许通过嘈杂的突触并深入网络，互信息通常会最大化。此外，我们还表明，抑制连接以及适当位移的长距离连接通常可以显著提高传输效率。从高等数学的角度深入理解大脑过程对于解释大脑效率的本质起着重要作用。我们的研究结果证实，在进化过程中出现的基本大脑成分是为了优化传输性能而产生的。
优化脑启发神经网络中的信息处理
主要关键词
相关文件推荐
