[论文解读] An Analytical Approach to Connectivity in Regular Neuronal Networks

Luciano da Fontoura Costa, Marconi Barbosa|arXiv (Cornell University)|Oct 28, 2003

Neural Networks and Applications参考文献 3被引用 4

一句话总结

本文提出一种分析框架，通过将神经元建模为二维晶格上周期性分布的形状，全面表征规则神经网络中的连接性。利用循环邻接矩阵的自卷积与谱分析，研究表明神经元形态显著影响突触分布与霍普菲尔德网络的网络性能，其中空间分布更广的形状因具有更宽的特征值谱而带来更好的联想记忆效果。

ABSTRACT

This paper describes how realistic neuromorphic networks can have their connectivity fully characterized in analytical fashion. By assuming that all neurons have the same shape and are regularly distributed along the two-dimensional orthogonal lattice with parameter $Δ$, it is possible to obtain the exact number of connections and cycles of any length from the autoconvolution function as well as from the respective spectral density derived from the adjacency matrix. It is shown that neuronal shape plays an important role in defining the spatial distribution of synapses in neuronal networks. In addition, we observe that neuromorphic networks typically exhibit an interesting phenomenon where the pattern of connections is progressively shifted along the spatial domain for increasing connection lengths. This is a consequence of the fact that in neurons the axon reference point usually does not coincide with the cell centre of mass. Morphological measurements for characterization of the spatial distribution of connections, including the adjacency matrix spectral density and the lacunarity of the connections, are suggested and illustrated. We also show that Hopfield networks with connectivity defined by different neuronal morphologies, quantified by the proposed analytical approach, lead to distinct performace for associative recall, as measured by the overlap index. The potential of the proposed approach is illustrated with respect to digital images of real neuronal cells.

研究动机与目标

• 开发一种解析方法，以完全表征具有相同、周期性分布神经元的规则神经形态网络中的连接性。
• 研究神经元形态（特别是形状和轴突参考点位置）如何影响突触分布与网络拓扑结构。
• 将形态特征与联想记忆网络（如霍普菲尔德网络）的功能表现相联系。
• 引入并验证形态度量指标（如谱密度与孔隙度），以量化连接模式。
• 展示网络性能在保持形态不变的前提下对拓扑扰动具有鲁棒性，同时对形状变化保持敏感。

提出的方法

• 将神经元建模为在晶格点上与狄拉克δ函数卷积的二维形状，以生成网络连接性。
• 利用神经元形状函数的自卷积，解析计算每种长度的连接数量。
• 从连接模式构建循环邻接矩阵，通过傅里叶变换实现精确的谱分析。
• 推导邻接矩阵的谱密度，以表征网络的拓扑与功能特性。
• 应用孔隙度与特征值分布等形态度量，量化连接的空间模式。
• 通过基于邻接矩阵生成的权重矩阵模拟霍普菲尔德网络，利用重叠指数评估联想记忆性能。

实验结果

研究问题

• RQ1 如何利用神经元形态，以解析方式完全表征规则神经网络的连接性？
• RQ2 突触的空间分布在多大程度上依赖于神经元的形状与轴突参考点位置？
• RQ3 神经元形态在多大程度上影响网络邻接矩阵的谱特性？
• RQ4 神经元形状对联想记忆网络（如霍普菲尔德网络）的性能有何影响？
• RQ5 当形态保持不变时，网络功能对拓扑扰动的鲁棒性如何？

主要发现

• 网络中每种长度的连接数量，由神经元形状函数的自卷积精确确定。
• 邻接矩阵的谱密度，源自连接模式的傅里叶变换，为网络拓扑提供了完整的解析表征。
• 神经元形状显著影响突触分布，其中空间分布更广的形状导致邻接矩阵中特征值分布更宽。
• 具有形态差异的神经元的霍普菲尔德网络表现出不同的联想记忆性能，其中更各向同性分布的形状产生更高的重叠指数。
• 该模型对晶格扰动（如1%与10%噪声）表现出鲁棒性，表明在拓扑变化下功能性能仍保持稳定。
• 邻接矩阵的特征值分布反映了神经元原始的空间结构，更均匀的形状产生更分散的谱分布。