脉冲神经元网络的信息容量

我们研究了一个脉冲神经元模型，其递归连接源于利用脉冲时间依赖可塑性规则与全局抑制学习一组时空模式。我们考察了该网络以空间群体编码与脉冲相位编码相结合的方式来存储并选择性重放多个脉冲模式的能力。模式中的每个神经元由一个二元变量刻画，决定其是否在模式中激活，以及一个相位滞后变量，表示活跃单元间的脉冲时序顺序。在学习阶段之后，我们研究了由短暂线索刺激所诱发的网络动力学，并验证网络能够正确且持续地选择性重放该模式。我们计算了网络的信息容量，定义为网络中可编码的最大模式数乘以每个模式所携带的比特数，再除以突触数量进行归一化，发现其可达 $\alpha_\text{max}\simeq 0.27$，与序列处理神经网络的容量相近，且几乎是静态 Hopfield 模型容量的两倍。我们研究了容量对全局抑制、连接强度（或神经元阈值）以及参与模式的神经元比例的依赖关系。结果表明，双重群体与时间编码对于联想记忆的容量而言可以是最优的。