[論文レビュー] Emergent E-I Structure in Performance-Evolved Reservoir Networks of Neuronal Population Dynamics

Manish Yadav|arXiv (Cornell University)|Mar 13, 2026

Neural Networks and Reservoir Computing被引用数 0

ひとこと要約

PDNE（性能依存型ネットワーク進化）を用いてWilson-Cowan興奮性–抑制性ダイナミクスをモデル化するコンパクトなリザーバネットワークを進化させ、ゼロショット一般化を高精度で達成し、E-I組織モチーフの出現を明らかにする。

ABSTRACT

Understanding how network structure gives rise to neuronal dynamics and whether compact computational models can recover that structure from data alone is a central challenge in computational neuroscience. We apply the performance-dependent network evolution (PDNE) framework to model the dynamics of the Wilson-Cowan (WC) neuronal system, a canonical two-population model of excitatory-inhibitory (E-I) interaction underlying physiological rhythms. Starting from a minimal seed network, PDNE iteratively grows and prunes a reservoir computing (RC) network based solely on prediction performance, yielding compact, task-optimized reservoirs networks. The evolved networks accurately predict both excitatory $E(t)$ and inhibitory $I(t)$ population activities across unseen stimulus amplitudes and generalize in a zero-shot manner to novel stimulus configurations: varying pulse number, position and amplitude without retraining. Structural analysis of the evolved networks reveals a consistent functional organization with nodes specialized for E, I, and shared E-I representations. Importantly, the population-level connectivity of the evolved reservoirs spontaneously recovers the correct excitatory-inhibitory sign pattern of the WC model for three of four interaction types, without this being imposed by design. These results demonstrate that performance-driven network evolution can produce not only accurate but structurally interpretable models of physiological rhythms, opening a path toward compact, data-efficient digital twins of neuronal systems.

研究の動機と目的

• PDNE進化リザーバが未 seen刺激振幅を横断してWilson-Cowan集合集団ダイナミクスを正確に予測できるかを確認する。
• 進化したリザーバトポロジーがターゲットWCシステムのE-I組織を潜在的に学習しているかを評価する。
• 再学習なしに新規刺激配置へのゼロショット一般化を評価する。
• リザーバの構造進化と機能的な組織の出現を特徴づける。
• ニューロン系のデータ効率的なデジタルツインに対する示唆を論じる。

提案手法

• WCダイナミクスを2系統のE-Iシステムでモデル化し、リザーバコンピューティングフレームワークを用いてE(t)とI(t)を予測する。
• 最小種子リザーバーからノード追加・削除を駆動する予測性能によるPDNEを適用する。
• 選択されたリザーバノードからのリッジ回帰リードアウトで出力を訓練する；性能指標としてNMSEを最適化する。
• パルスの数・位置・振幅を変えたゼロショット一般化を評価する。
• 機能的ノード役割（E専用、I専用、共有、周辺）を含む進化したトポロジーを分析し、WC符号と平均的な人口結合符号を比較する。

Figure 1: Performance-dependent network evolution for learning Wilson-Cowan neuronal dynamics. (a) The reservoir computing (RC) model with input layer receiving pulse stimulus $s(t)$ , recurrent reservoir layer $W^{\text{res}}$ , and output layer predicting excitatory ( $E$ , red) and inhibitory ( $

実験結果

リサーチクエスチョン

• RQ1 PDNE進化リザーバは retraining なしに未見のWC刺激振幅と構成へ一般化できるか？
• RQ2 性能主導の進化はWilson-Cowanモデルの基礎的なE-Iアーキテクチャを反映するリザーバトップロジーを生み出すか？
• RQ3 このE-Iダイナミクスにおける新規パルス配置へのゼロショット一般化の性質は？
• RQ4 進化したリザーバ構造は符号・抑制モチーフの点でWC結合性とどう比較されるか？

主な発見

• 進化したリザーバは未見の振幅に対してE(t)とI(t)の両方を正確に予測し、 retraining なしに新規パルス構成へ一般化する。
• PDNE生成ネットワークはE専用・I専用・共有ノードを備えた機能的組織を示し、反復を通じて一貫して現れる。
• 進化したリザーバの人口結合符号は、WCの相互作用符号のうち4つのうち3つ（EE正、EI負、IE正）を平均して再現する。
• 新たな出現モチーフとして、IからIへの側方抑制がIからEへの抑制よりも強いという特徴が現れ、皮質介在ニューロンの生理学と整合する。
• 最終的なリザーバサイズは平均66±17ノードで、タスク関連の多様なトポロジーを持ち、コンパクトで解釈可能なモデルを実現する。

Figure 2: Prediction performance on unseen test stimuli. Top two rows: Predictions of excitatory $E(t)$ (red: original, blue: $E_{p}$ ) and inhibitory $I(t)$ (black: original, green: $I_{p}$ ) for test amplitudes $S_{\mathrm{amp}}=2.35$ (left) and $S_{\mathrm{amp}}=3.15$ (right), both absent from th