利用放电率动力学训练脉冲模型神经元的循环网络

循环神经网络是理解和建模神经元群体计算与表示的强大工具。连续变量或“速率”模型网络已为此目的被广泛分析与应用。然而，神经元发放动作电位，且脉冲的离散性是神经电路动力学的重要特征。尽管取得了显著进展，训练循环连接的脉冲神经网络仍具挑战性。我们提出一种流程，用于训练循环连接的脉冲网络以自主生成动力学模式、基于整合网络输入产生复杂时间输出，以及建模生理数据。我们的流程利用连续变量网络来确定训练脉冲模型神经元输入的目标。令人惊讶的是，我们能够构建仅需相对少量增加神经元数量即可复制连续变量网络所执行任务的脉冲网络。我们的方法为“放电率”模型的意义与恰当使用提供了新颖视角，并且是构建可用于解决神经系统中表示与计算重要问题的模型脉冲网络的有效途径。