[논문 리뷰] Emergent E-I Structure in Performance-Evolved Reservoir Networks of Neuronal Population Dynamics

Manish Yadav|arXiv (Cornell University)|2026. 03. 13.

Neural Networks and Reservoir Computing인용 수 0

한 줄 요약

본 논문은 성능 의존적 네트워크 진화(PDNE)를 이용해 Wilson-Cowan 흥분-억제 역학을 모델하는 소형 리저버 네트워크를 진화시키고, 정확한 제로샷 일반화와 emergent E-I 구성 모티프를 드러낸다.

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.

연구 동기 및 목표

• PDNE로 진화된 리저버가 보지 않은 자극 진폭 전반에 걸쳐 Wilson-Cowan 인구 동역학을 정확히 예측할 수 있는지 결정한다.
• 진화된 리저버 토폴로지가 대상 WC 시스템의 E-I 구성(조직)을 암묵적으로 학습하는지 평가한다.
• 재훈련 없이 새로운 자극 구성을 대상으로 제로샷 일반화를 평가한다.
• 리저버의 구조적 진화와 출현하는 기능적 조직을 특성화한다.
• 신경 시스템의 데이터 효율적인 디지털 트윈에 대한 시사점을 논의한다.

제안 방법

• 두 인구의 E-I 시스템으로 WC 동역학을 모델링하고, E(t)와 I(t)를 예측하기 위해 리저버 컴퓨팅 프레임워크를 사용한다.
• 예측 성능에 의해 주도되는 노드 추가/삭제를 통해 최소 시드 리저버에서 PDNE를 적용하여 확장한다.
• 선정된 리저버 노드로부터 리지 회귀 읽기를 사용하여 출력을 학습하고, NMSE를 성능 지표로 최적화한다.
• 수의 변화, 위치, 진폭이 다른 펄스에 대한 제로샷 일반화를 평가한다.
• 기능적 노드 역할(E-특정, I-특정, 공유, 주변)에 대한 진화된 토폴로지를 분석하고 WC 표지의 평균 인구 연결 부호와 비교한다.

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 ( $

실험 결과

연구 질문

• RQ1 재훈련 없이 보지 않은 WC 자극 진폭 및 구성에 대해 PDNE로 진화된 리저버가 일반화할 수 있는가?
• RQ2 성능 주도 진화가 Wilson-Cowan 모델의 기저 E-I 구조를 반영하는 리저버 토폴로지를 산출하는가?
• RQ3 이 E-I 동역학 시스템에서 새로운 펄스 구성에 대한 제로샷 일반화의 특성은 무엇인가?
• RQ4 진화된 리저버 구조가 WC 연결성과 부호 및 억제 모티프 측면에서 어떻게 비교되는가?

주요 결과

• 진화된 리저버는 보이지 않는 진폭에서도 E(t)와 I(t)를 정확히 예측하고 재훈련 없이 새로운 펄스 구성에 일반화한다.
• PDNE로 생성된 네트워크는 반복 간 일관되게 E-특정, I-특정 및 공유 노드의 기능적 구성을 보여준다.
• 진화된 리저버의 인구 연결 부호는 WC 상호작용 부호 중 4개 중 3개를 평균적으로 재현한다(EE 양성, EI 음수, IE 양수).
• 새로운 출현 모티프는 I에서 I로의 측면적 억제가 I에서 E로의 억제보다 더 강하다는 것을 보여주며, 이는 피질의 간류 억제세포 생리와 일치한다.
• 최종 리저버 크기는 평균 66 ± 17 노드이며, 다양하지만 과제 관련 토폴로지가 결합되어 작고 해석 가능한 모델을 가능하게 한다.

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