高电导状态使 LIF 神经元网络中的神经采样成为可能

体内神经回路明显的随机性长期被假设为大脑中持续随机推断的特征。最近，提出了神经采样的理论框架，解释了基于样本的推断如何由脉冲神经元网络执行。该方法的一个特殊要求是神经响应函数紧密遵循逻辑斯蒂曲线。计算神经响应函数的解析方法一直是许多理论研究的主题。为使问题可处理，通常对神经或突触参数做特定假设。然而，存在这些方法未涵盖的具有生物学意义的活度状态：在强突触轰炸下（皮层中常如此），神经元被移入以微小膜时间常数为特征的高电导状态 (HCS)。在此状态中，突触时间常数和不应期主导膜动力学。我们方法的核心思想是分别考虑两种不同“模式”的脉冲动力学：爆发式脉冲和瞬时静默（神经元较长时间不脉冲）。我们通过对爆发内从脉冲到脉冲传播有效膜电位的 PDF 来处理前者，而对后者使用扩散近似。我们发现我们对神经响应函数的预测与模拟数据紧密匹配。此外，在 HCS 情景中，我们展示神经响应函数变得对称，并可由逻辑斯蒂函数很好近似，从而提供执行神经采样的正确动力学。我们由此不仅为皮层中的贝叶斯推断提供了规范框架，也为低功耗、加速的神经形态系统用于相关机器学习任务提供了有力应用。