基于钙离子Hebbian规则的脉冲神经网络学习
神经与进化计算
2025-04-10 v1 人工智能
摘要
理解生物神经网络如何通过局部塑性机制被塑造，能够lead to高效能且自适应的信息处理系统，从而有望缓解当前边缘计算系统中的诸多瓶颈。虽然生物学利用脉冲无缝地结合脉冲时序和平均放电频率来调制突触强度，但大多数模型只关注这两者中的一种。在本工作中，我们提出一种Hebbian局部学习规则，将突触修改建模为函数形式，随钙离子痕迹跟踪神经活动。在我们表明，该规则再现了来自神经科学研究的脉冲时间和脉冲率协议结果。此外，我们使用该模型在MNIST手写数字识别任务上训练脉冲神经网络，以展示和解释哪些机制是学习真实世界模式所必需的。我们表明该模型对相关脉冲活动敏感，这使其能够在不改变神经元平均放电频率或学习规则的超参数的情况下，调节网络的学习率。据我们所知，这是首次展示脉冲时序和频率在塑造脉冲神经网络连接性方面可以互补。
引用
@article{arxiv.2504.06796,
title = {Learning in Spiking Neural Networks with a Calcium-based Hebbian Rule for Spike-timing-dependent Plasticity},
author = {Willian Soares Girão and Nicoletta Risi and Elisabetta Chicca},
journal= {arXiv preprint arXiv:2504.06796},
year = {2025}
}