Hopfield 型神经模型在随机与无标度图中的时间复杂性

Hopfield 网络模型及其推广被引入作为联想记忆或内容寻址记忆的模型。它们既作为人工智能中的无监督学习方法，也作为计算神经科学中的生物神经动力学模型而被广泛研究。生物神经网络的时间复杂性特征在过去二十年引起了研究兴趣。最近，复杂网络理论的概念和工具被应用于人工神经网络和学习，侧重于拓扑方面。然而，时间结构也是生物神经网络表现出的一个关键特性，并在具有复杂间歇性的系统框架下进行研究。间歇性驱动复杂性（IDC）方法确实侧重于自组织状态的亚稳态，其特征是事件间时间分布的幂律衰减或相关事件驱动扩散过程中的标度行为。IDC 在神经动力学中的研究及其与网络拓扑的关系仍处于早期阶段。在本工作中，我们展示了在类脑 Hopfield 型神经网络上进行的 IDC 分析的初步结果，比较了两种不同的连接方式：无标度网络拓扑和随机网络拓扑。我们发现，随机网络可以引发与无标度网络相似的复杂性特征，尽管在某些参数值（尤其是噪声水平）下存在一些差异。