循环 infomax 生成细胞集合、雪崩与简单细胞样选择性

通过进化，动物获得了中枢神经系统（CNS），这是极其高效的信息处理装置，能够提高动物对各种环境的适应能力。已有研究提出，信息最大化（infomax）过程——即最大化从前馈网络输入到输出的信息传输——可能能够解释 CNS 中神经元的刺激选择性。然而，CNS 不仅包含前馈突触连接，还包含循环突触连接，且对此类循环网络中信息随时间保留的了解甚少。在此，我们提出了一种基于循环网络中 infomax 的学习算法，我们称之为“循环 infomax”（RI）。RI 最大化信息保留，从而最小化网络中的信息损失。我们发现，将由自然场景照片中获取的信息构成的外部输入馈入基于 RI 的循环网络模型，会导致出现与初级视觉皮层（V1）简单细胞中存在的非常相似的 Gabor 样选择性。更重要的是，我们发现没有外部输入时，该网络表现出细胞集合样和同步放电链样自发活动，以及临界神经雪崩。RI 提供了一个简单的框架来解释在体内和体外神经元网络中观察到的广泛现象，并应从信息论角度为多神经元活动与可塑性的实验结果提供一种新颖的理解。