具有星形胶质细胞样单元的脉冲神经网络中的学习特性研究

传统人工神经网络受生物网络启发，使用由类似神经元的节点构成的层来传递信息以进行处理。更真实的模型在神经网络中引入了脉冲机制，更紧密地捕捉了电学特性。然而，很大一部分脑细胞属于神经胶质细胞类型，特别是星形胶质细胞，被认为在执行计算方面发挥着作用。在此，我们引入了一种改进的脉冲神经网络模型，在网络中添加了星形胶质细胞样单元，并评估了它们对学习的影响。我们将该网络实现为液体状态机，并赋予其执行混沌时间序列预测任务。我们改变了网络中神经元样单元和星形胶质细胞样单元的数量与比例，以检验后一类单元对学习的影响。我们表明，神经元与星形胶质细胞的组合（相对于仅含神经元或仅含星形胶质细胞的网络）对于驱动学习至关重要。有趣的是，我们发现当星形胶质细胞样单元与神经元样单元的比例约为 2:1 时，学习率达到最高，这反映了生物学中星形胶质细胞与神经元比例的某些估计值。我们的结果表明，引入能够在更长时间尺度上表征信息的星形胶质细胞样单元可以改变神经网络的学习率，并且应当针对给定任务适当地调整星形胶质细胞与神经元的比例。