[논문 리뷰] Dendritic predictive coding: A theory of cortical computation with spiking neurons

Fabian A. Mikulasch, Lucas Rudelt외 2명|arXiv (Cornell University)|2022. 05. 11.

Neural dynamics and brain function인용 수 4

한 줄 요약

이 논문은 예측 코드화의 생물학적으로 타당한 이론인 분지 예측 코드화(dendritic hPC)를 제안한다. 이 이론은 별도의 오차 단위가 아닌 분지 소기관에 오차 계산을 국소화함으로써, 스파iking 뉴런을 사용하여 계층적 예측 코드화를 구현한다. 예측 코드화를 균형 잡힌 네트워크와 분지 계산에 통합함으로써, 이 모델은 씻어내기 연결성, 가소성, 동역학—특히 불일치 반응—을 설명하며, 전통적 hPC에서 오랫동안 지속된 생물학적 타당성과 스파킹 뉴런 구현 문제를 해결한다.

ABSTRACT

Top-down feedback in cortex is critical for guiding sensory processing, which has prominently been formalized in the theory of hierarchical predictive coding (hPC). However, experimental evidence for error units, which are central to the theory, is inconclusive, and it remains unclear how hPC can be implemented with spiking neurons. To address this, we connect hPC to existing work on efficient coding in balanced networks with lateral inhibition, and predictive computation at apical dendrites. Together, this work points to an efficient implementation of hPC with spiking neurons, where prediction errors are computed not in separate units, but locally in dendritic compartments. The implied model shows a remarkable correspondence to experimentally observed cortical connectivity patterns, plasticity and dynamics, and at the same time can explain hallmarks of predictive processing, such as mismatch responses, in cortex. We thus propose dendritic predictive coding as one of the main organizational principles of cortex.

연구 동기 및 목표

• 뇌 회로에서 전용 오차 단위에 대한 실증적 증거가 부족한 데 기인한 고전적 계층적 예측 코드화(hPC)의 도전 과제를 해결하기 위해.
• 스파킹 뉴런을 사용한 hPC의 구현 어려움—특히 학습 규칙과 동역학 측면에서—를 해결하기 위해.
• 계층적 예측 코드화, 균형 잡힌 스파킹 네트워크에서의 효율적 코드화, 확률 모델에서의 신경 샘플링 이론 프레임워크를 통합하기 위해.
• 분지 계산이 관측된 뇌皮질 연결성, 가소성, 반응 동역학을 어떻게 설명할 수 있는지 밝히기 위해.
• 단일 뉴런과 분지 소기관 수준에서 작동하는 검증 가능한 생물학적 기반의 고전적 hPC의 대안을 제공하기 위해.

제안 방법

• 고전적 예측 코드화에서 오차 계산을 별도의 신경 집단에서 피라미드 뉴런의 분지 소기관으로 이동시킴으로써 계층적 예측 코드화를 재해석한다.
• 균형 잡힌 스파킹 네트워크에서 예측 코드화를 효율적 코드화 원칙과 통합하며, 횡방향 억제가 기저 분지의 입력 균형을 유지하도록 한다.
• 예측 오차를 상부 예측과 하부 입력의 비선형 분지 통합을 통해 계산된 국소 전압 변동으로 모델링한다.
• 실험적 관찰과 일치하는 국소 전압 조절과 분지 스파이크 타이밍 기반의 학습 규칙을 유도한다.
• 층 2/3 뉴런이 예측을 계산하고 더 깊은 층이 통신 허브로 기능하는 마이크로서킷 모델을 사용하며, 분지 소기관이 오차 계산을 수행한다.
• 스파iking 동역학과 국소 가소성 메커니즘을 통해 생물학적 타당성을 확보하면서도 고전적 hPC와의 功能적 동일성을 입증한다.

실험 결과

연구 질문

• RQ1 전용 오차 단위에 대한 증거가 부족한 상황에서, 스파킹 뉴런을 사용한 계층적 예측 코드화는 어떻게 실현될 수 있는가?
• RQ2 분지 소기관이 예측 오차를 계산하는 데 어떤 역할을 하는가? 이는 뇌皮질 마이크로서킷 조직과 어떻게 관련이 있는가?
• RQ3 예측 코드화의 학습 규칙은 단일 뉴런의 동역학과 국소 분지 전압 변화와 어떻게 호환될 수 있는가?
• RQ4 분지 예측 코드화는 불일치 반응과 수용 영역 특성과 같은 실험적으로 관측된 뇌皮질 현상들을 어떻게 설명하는가?
• RQ5 이 모델은 거시적 뇌皮질 동역학과 미시적 분지 계산을 어떻게 조화시킬 수 있는가?

주요 결과

• 분지 예측 코드화는 별도의 오차 단위가 필요 없이, 스파킹 뉴런을 사용하여 계층적 예측 코드화의 생물학적으로 타당한 구현을 제공한다.
• 예측 오차는 상부 예측과 하부 입력의 비선형 통합을 통해 국소적으로 소지 분지에서 계산되며, 실험적 관찰과 일치하는 분지 계산의 특성과 부합한다.
• 이 모델은 뇌皮질 회로에서 횡방향 억제가 기저 분지의 입력 균형을 유지하는 수단으로 널리 존재하는 이유를 설명하며, 효율적 코드화 원칙을 뒷받침한다.
• 모델에서 파생된 학습 규칙는 학습 가소성이 국소 분지 전압에 의해 조절된다는 실험적 발견과 일치하며, 분지 수준에서 히브시안 유사 학습의 메커니즘을 제공한다.
• 이 이론은 통합된 프레임워크를 통해 뇌皮질의 핵심 현상—불일치 반응, 수용 영역 조정, 상향식 조절—을 설명한다.
• 예측 추론 측면에서 고전적 hPC와 기능적으로 동일한 성능를 보이며, 단일 뉴런과 마이크로서킷 동역학에 뿌리를 둔 명확하고 검증 가능한 메커니즘을 제공한다.