具身脉冲神经网络的演化与分析揭示任务特异的有效网络簇
神经元与认知
2017-06-08 v2 神经与进化计算
摘要
阐明神经网络计算背后的原理目前是神经科学中一个主要的研究热点。转移熵（Transfer Entropy, TE）日益被用作在 fMRI 研究中桥接网络结构、功能与行为之间鸿沟的工具。计算模型通过直接将单个神经元活动与行为相关联，使我们能进一步弥合这一鸿沟。然而，大多数分析具身行为（embodied behaviors）的计算模型采用了非脉冲神经元。另一方面，采用脉冲神经网络的计算模型往往局限于非具身任务。我们首次展示了用于执行具有认知意义行为的具身脉冲神经网络的人工演化与 TE 分析。具体而言，我们演化了一个由 Izhikevich 神经网络控制的智能体来执行视觉分类任务。通过重复不同网络规模的演化运行，找到了能够执行该任务的最小网络。对最优解的信息分析揭示了任务特异的 TE 网络簇，表明任务内同质性与任务间异质性是行为成功的关键。此外，对解集合的分析表明，TE 网络簇的任务特异性与适应度相关。这提供了一个可将网络结构联系到行为的经验可检验假说。
引用
@article{arxiv.1704.04199,
title = {Evolution and Analysis of Embodied Spiking Neural Networks Reveals Task-Specific Clusters of Effective Networks},
author = {Madhavun Candadai Vasu and Eduardo J. Izquierdo},
journal= {arXiv preprint arXiv:1704.04199},
year = {2017}
}
备注
Camera ready version of accepted for GECCO'17