认知代价与平行神经网络中的复制方程
神经元与认知
2024-06-12 v1 动力系统
最优化与控制
摘要
本文旨在提出一种新型数学模型，以神经元/神经递质浓度来研究神经传递过程中突触损伤的动力学。我们的主要目标是将 Wardrop 的第一和第二原理应用于大脑神经网络。在充分将 Wardrop 的第一和第二原理引入大脑神经网络框架的背景下，我们提出两种新概念：突触间质（neuropeptide's equilibrium）和突触最优（synapses optimum）。突触间质指的是导致所有突触链路均匀受损的有毒神经肽/神经递质的分布；而突触最优则是指在所有突触受到的累计损伤最小化的有毒神经肽/神经递质的最理想分布。在大脑神经网络语境下，类似于“社会最坏情况下的代价”的概念是“认知代价”，即有毒神经肽/神经递质的平衡状态所导致的整体损伤与突触最优状态之间的比值。换言之，认知代价衡量的是由于神经肽/神经递质浓度增加所导致的认知能力损失。此外，我们在该框架中提出了一个复制方程，旨在在神经传递过程中建立突触最优。
引用
@article{arxiv.2406.06726,
title = {The Price of Cognition and Replicator Equations in Parallel Neural Networks},
author = {Armen Bagdasaryan and Antonios Kalampakas and Mansoor Saburov},
journal= {arXiv preprint arXiv:2406.06726},
year = {2024}
}