突触可塑性改变神经网络混沌转变的性质
神经元与认知
2025-11-11 v2 无序系统与神经网络
统计力学
摘要
在真实的神经电路中，神经元和突触在具有不同时间尺度的动力学中相互耦合。电路功能与这些耦合动力学密切相关。然而，仍然具有挑战性地理解耦合动力学的内在属性。本文发展了神经元-突触耦合准势方法，展示了学习如何导致循环神经网络宏观行为的定性变化。我们发现，在赫鲁斯学习下，较大的赫鲁斯强度会改变混沌转变的性质，从连续类型转变为离散类型，其中混沌的发生需要较小的突触增益，而与非可塑性网络相比。此外，我们的理论预测在反馈和居住学习下，混沌转变的位置和类型保持不变，仅调整混沌波动。我们的理论计算得到数值仿真的支持。
引用
@article{arxiv.2412.15592,
title = {Synaptic plasticity alters the nature of chaos transition in neural networks},
author = {Wenkang Du and Haiping Huang},
journal= {arXiv preprint arXiv:2412.15592},
year = {2025}
}
备注
37 pages, 7 figures, revised version to the journal