机构名称：
¥ 3.0
摘要除了长时间的重新布线外，大脑中的突触还会受到在更快的时间表上发生的显着调制，这些时间尺度赋予了大脑的其他处理信息。尽管如此，大脑的模型像复发性神经网络（RNN）经常在训练后冻结了权重，依靠在神经元活动中存储的内部状态来保存与任务相关的信息。在这项工作中，我们研究了仅依赖于推理过程中突触调制的网络的计算潜力和产生的动力学，即过程与任务相关信息，多塑性性网络（MPN）。由于MPN没有复发连接，因此这使我们能够仅由突触调制量研究计算能力和动态行为。MPN的一般性允许我们的结果适用于从短期突触可塑性（STSP）到较慢的调制，例如Spike Time依赖性可塑性（STDP）等较慢。我们彻底检查了经过基于集成任务的MPN的神经种群动力学，并将其与已知的RNN动力学进行了比较，发现两者具有根本不同的吸引子结构。我们发现动态上的上述差异使MPN在几个与神经科学的测试上的表现都优于其RNN对应物。在一系列神经科学任务中训练MPN，我们发现其在这种设置中的计算功能与通过复发连接计算的网络相当。总的来说，我们认为这项工作证明了通过突触调制的计算可能性，并突出了这些计算的重要基线，以便可以在类似大脑的系统中识别它们。
突触的计算的神经种群动力学...
主要关键词
相关文件推荐
