利用长短期记忆网络对神经元动力学进行数据驱动的预测建模

对大脑动力学进行建模以更好地理解和控制各种认知脑功能背后的复杂行为，在过去几十年中一直为工程师、数学家和物理学家所关注。出于开发计算高效的脑动力学模型以用于设计控制理论神经刺激策略的动机，我们开发了一种长短期记忆（LSTM）神经网络架构中的新型数据驱动方法，以预测复杂系统在未来较长时域内的时序动力学。与近期基于 LSTM 的使用多层感知机或线性组合层作为输出层的动力学建模方法不同，我们的架构使用单一全连接输出层和逆序序列到序列映射，以提高短时域预测精度并实现动力学行为的多时间步预测。我们展示了该方法在重建经实验验证的 9 维海马 CA1 锥体神经元 Hodgkin-Huxley 模型所表现的规则放电至爆发式放电动力学方面的有效性。通过仿真，我们表明我们的 LSTM 神经网络能以合理精度预测各种放电模式背后的多时间尺度时序动力学。此外，我们的结果表明，在多时间步深度 LSTM 神经网络中，预测随预测时域增大而改善。