相干噪声使脉冲神经元网络中的概率性序列重放成为可能

动物在面对模糊或不确定的线索时依赖不同的决策策略。根据情境不同，决策可能偏向过去最频繁经历的事件，也可能更具探索性。对认知至关重要的一种特定决策类型是响应模糊线索的序列记忆回忆。先前开发的序列预测与回忆的脉冲神经元网络实现，通过局部的、受生物学启发的可塑性规则以无监督方式学习复杂的高阶序列。在响应模糊线索时，该模型确定性地回忆训练期间最频繁出现的序列。在此，我们提出该模型的扩展，使之能够实现一系列不同的决策策略。在此模型中，探索性行为通过向神经元提供噪声产生。由于模型依赖群体编码，不相关噪声会平均掉，回忆动力学保持有效确定性。在存在局部相关噪声时，平均效应被避免，且不损害模型性能，也无需大幅噪声幅度。我们研究了自然界中出现的两种相关噪声形式：共享突触背景输入，以及刺激与网络活动中时空振荡的随机锁定。根据噪声特性，网络采取多种重放策略。因此，本研究提供了潜在机制，解释所学序列的统计如何影响决策，以及决策策略如何在学习后调整。