低秩兴奋-抑制脉冲网络中利用潜在边界逼近非线性函数

深度前馈和循环基于发放率的神经网络已成为成功的脑功能模型，但它们忽略了明显的生物学细节，如脉冲和戴尔定律。本文认为，这些细节对于理解真实神经回路如何运作至关重要。为此，我们提出了一种低秩兴奋-抑制脉冲网络中基于脉冲计算的新框架。通过考虑具有秩-1连接性的群体，我们将每个神经元的脉冲阈值视为低维输入-输出空间中的一条边界。然后我们展示，一群抑制性神经元的组合阈值在该空间中形成稳定边界，而一群兴奋性神经元的组合阈值形成不稳定边界。将两者结合得到一个秩-2兴奋-抑制（EI）网络，在两个边界交点处具有抑制稳定动力学。所得网络的计算可理解为两个凸函数之差，从而能够逼近任意非线性输入-输出映射。我们展示了这些网络的若干性质，包括噪声抑制与放大、不规则活动与突触平衡，以及它们如何在边界变软的极限下与发放率网络动力学相关联。最后，尽管我们的工作聚焦于小网络（5-50个神经元），我们讨论了扩展到更大网络的潜在途径。总体而言，我们的工作提出了一种关于脉冲网络的新视角，可作为对生物基于脉冲计算的机制性理解的起点。