因果阶梯时间依赖性塑性防止循环网络中的装配融合

神经元组成功能相关装配是一个神经网络的基本特征，而我们对这些装配如何保持独特身份同时共享成员的机制理解仍有限。本文分析了阶梯时间依赖性塑性（STDP）如何塑造和维持重叠神经元装配在反馈耦合网络中的形成和稳定性。通过数值仿真和相关的均场理论，我们展示了STDP规则的时间结构——具体而言是其因果性——决定了共享神经元的装配在训练完成后是保持分离还是合并。我们发现，因果STDP规则（即极化/抑制发生在突触前脉冲先于/后接突触后脉冲时）允许装配即使在成员重叠显著的情况下也保持独特。这一稳定性源于因果STDP有效地抵消了由共享神经元的公共输入引入的对称性相关性。相比之下，非因果STDP规则会导致当重叠超过临界阈值时装配融合，由于公共输入相关性的未受控制增长。我们的结果为如何通过时序依赖的学习规则支持分布式表征提供了理论依据，使得个别神经元能够参与多个装配，同时保持功能特异性。