基于马尔可夫近似的高效、无仿真发放率估计器

脉冲神经网络（SNN）是一种整合神经系统生物学细节的数学模型，但其复杂性往往导致计算昂贵且难以解析。SNN 的发放率是刻画网络活动的关键的一阶统计量。然而， 从甚至简化的 SNN 模型中解析性地估计发放率具有挑战性，主要原因有两点：1）非线性网络动力学与参数之间的复杂依赖关系，以及2）脉冲的奇异性和不可逆性。在本文中，我们提出了一类计算高效、无需仿真的发放率估计器。该方法基于马尔可夫近似的层次结构，以降低 SNN 动力学的复杂性。我们展示，仅考虑发放率本身对于准确估计发放率不足，脉冲同步性的信息会显著提高估计器的准确性。该方法为脑模型提供了实用工具，能够直接将生物学参数映射到发放率。