论生物物理突触的益处

ANN 及其 RNN 实例的逼近能力，与这些网络中打包的参数数量强相关。然而，人类理解上的复杂性壁垒，可以说与网络中神经元和突触的数量以及相关的非线性变换有关。本文表明，使用如 LTC 中所见的生物物理突触具有两个主要益处。首先，它们允许在给定数量的神经元和突触下打包更多参数。其次，它们允许将非线性网络变换表述为具有状态依赖系数的线性系统。两者都提升了可解释性，因为对于给定的任务，它们允许学习一个在其输入特征上线性、且规模小于最先进方法的系统。我们在多个时间序列预测任务上证实了上述主张，但我们相信我们的结果适用于任何前馈或循环 ANN。