基于遗传算法的皮层脉冲神经网络多目标优化
神经与进化计算
2021-05-17 v1 神经元与认知
摘要
脉冲神经网络（SNNs）通过神经元全或无的脉冲活动进行通信。然而，将大量 SNN 模型参数拟合到观测到的神经活动模式（例如生物实验中）仍然是一个挑战。先前使用遗传算法（GA）对特定高效 SNN 模型（采用 Izhikevich 神经元模型）进行优化的工作仅限于单一参数和单一目标。本工作应用一种称为非支配排序 GA（NSGA-III）的 GA 版本，展示了在同一 SNN 上执行多目标优化的可行性，重点搜索网络连通性参数以实现兴奋性与抑制性神经元类型的目标发放率，包括跨不同网络连通性稀疏度的情况。我们表明 NSGA-III 能轻易优化各种发放率。值得注意的是，当兴奋性神经发放率高于或等于抑制性神经元时，误差较小。此外，当连通性稀疏度被视为待优化参数时，最优解需要稀疏的网络连通性。我们还发现，对于兴奋性神经发放率低于抑制性神经元的情况，误差通常更大。总体而言，我们成功展示了在循环与稀疏 SNN 的网络参数上实现多目标 GA 优化的可行性。
引用
@article{arxiv.2105.06824,
title = {Multi-Objective Optimisation of Cortical Spiking Neural Networks With Genetic Algorithms},
author = {James Fitzgerald and KongFatt Wong-Lin},
journal= {arXiv preprint arXiv:2105.06824},
year = {2021}
}
备注
In: 32nd Irish Signals and Systems Conference (ISSC) 2021