自适应小世界神经网络中的逆随机共振

逆随机共振 (ISR) 是一种现象，即噪声会降低而非提高神经元的放电频率，有时甚至导致完全静止。ISR 首次通过实验验证于小鼠颗粒细胞神经元。这些实验表明，ISR 使输入和输出放电序列之间实现最佳信息传递。后续研究表明，具有小世界拓扑的神经网络在信息处理和传递方面具有效率优势。我们对自适应对 ISR 在小世界 FHN (FitzHugh-Nagumo) 神经元网络中的影响进行了数值调查。这些神经元在具有稳定固定点和极限环的双稳态 regime 中工作，这是 ISR 的必要条件。我们的结果表明，ISR 的程度严重依赖于 FHN 模型的 timescale 分离参数 $\epsilon$。网络结构通过两种机制实现动态自适应：一种是带有增益/抑制主导参数 $P$ 的尼克尔时序可塑性 (STDP)，另一种是带有重构频率 $F$ 的稳态结构可塑性 (HSP)。我们展示了当 $\epsilon$ 位于 FHN 神经元的双稳态区域内时，STDP 和 HSP 都能放大 ISR。具体而言，在双稳态区间的较大 $\epsilon$ 值下，较高的重构频率 $F$ 在中间（弱）突触噪声强度下可增强 ISR，而与抑制主导（增益主导）相一致的 $P$ 值可增强（削弱）ISR。此外，尽管 STDP 和 HSP 参数可能共同放大 ISR，但 $P$ 对 ISR 的影响大于 $F$。我们的发现为在噪声人工神经电路中增强 ISR 提供了指导，旨在优化输入和输出放电序列之间的信息传递，在神经器件系统中寻求实验场所。