树突非线性对神经元计算能力的影响

神经元如何整合其树突上散布着众多突触输入是神经科学中的一个基本问题。多个神经生理学实验表明，树突非线性可以对突触输入整合产生强烈影响。这些非线性激发了将单个神经元描述为两层计算单元的数学模型，这些模型相对于线性树突整合已被证明能显着增强神经元的计算能力。然而，当前的分析研究局限于突触权重不受约束且树突非线性不合情实际的神经元。本文引入一个具有符号受约束突触权重和生物学上合情实际的树突非线性形式的两层模型，并通过统计物理方法和数值模拟来研究其属性。我们发现，树突非线性既增加了可能的已学习输入-输出关联数目，又提高了学习速度。我们描述了容量和学习速度如何取决于实现的非线性形式以及树突和细胞体抑制的水平。我们计算了接近最大容量的神经网络中突触权重的分布，发现，在符号受约束突触的神经元中，大比例的零权重（“沉默”或“潜在”）突触自然出现，这是由于非线性树突整合的结果。非线性引起的稀疏性还为神经信息处理带来了第二个核心优势，即输入和突触噪声的鲁棒性。我们在标准真实世界基准数据集上测试了我们的模型，观察到非线性在一般化性能方面提供了增强，表明它能够捕捉更复杂的输入/输出关系。