脉冲神经元网络中的序列学习、预测与回放

序列学习、预测与回放被认为是由新皮层执行的通用计算。层级时序记忆（Hierarchical Temporal Memory, HTM）算法实现了这些计算形式。它使用局部学习规则以无监督和连续的方式学习序列，允许对未来序列元素进行上下文相关的预测，并在预测未达成时生成失配信号。尽管 HTM 算法解释了许多生物学特征，如地形感受野、非线性树突处理与稀疏连接，但它基于抽象的离散时间神经元与突触动力学，以及仅能部分关联已知生物学机制的可塑性机制。在此，我们设计了 HTM 算法时间记忆（TM）组件的连续时间实现，其基于具有生物物理可解释变量与参数的脉冲神经元递归网络。该模型通过结构性的 Hebbian 突触可塑性机制辅以基于速率的稳态控制来学习高阶序列。结合非线性树突输入整合与局部抑制反馈，此类可塑性导致狭窄的序列特异性子网络的动态自组织。这些子网络为稀疏同步活动的忠实传播提供了基底，从而实现对未来序列元素的鲁棒、上下文相关预测，以及先前学习序列的自主回放。通过加强与生物学的联系，我们的实现有助于基于电生理与行为数据对 TM 假设进行评估。