[论文解读] Critical Limits in a Bump Attractor Network of Spiking Neurons

Alberto Arturo Vergani, Christian Huyck|arXiv (Cornell University)|Mar 30, 2020

Neural dynamics and brain function参考文献 18被引用 1

一句话总结

本文通过神经形态仿真研究了脉冲突触bump吸引网络中的关键参数极限，揭示了兴奋与抑制的平衡如何决定尖峰模式是否保持静止、分裂为多个流或发散。关键发现表明，分裂行为主要源于抑制相对于兴奋的增强，而发散则源于兴奋过度，输入大小和权重配置是决定这些行为的关键控制参数。

ABSTRACT

A bump attractor network is a model that implements a competitive neuronal process emerging from a spike pattern related to an input source. Since the bump network could behave in many ways, this paper explores some critical limits of the parameter space using various positive and negative weights and an increasing size of the input spike sources The neuromorphic simulation of the bumpattractor network shows that it exhibits a stationary, a splitting and a divergent spike pattern, in relation to different sets of weights and input windows. The balance between the values of positive and negative weights is important in determining the splitting or diverging behaviour of the spike train pattern and in defining the minimal firing conditions.

研究动机与目标

• 识别决定bump吸引网络中不同尖峰模式行为的关键参数边界。
• 研究正向（兴奋性）和负向（抑制性）突触权重变化对网络动力学的影响。
• 考察输入窗口大小和尖峰源数量在塑造涌现尖峰列模式中的作用。
• 确定网络激活的最小放电条件和点火阈值。
• 探索一维100个神经元网络中静止、分裂和发散尖峰模式之间的转变。

提出的方法

• 对包含100个漏电积分-发放神经元的一维bump吸引网络进行神经形态仿真。
• 固定突触拓扑结构：每个神经元接收两个兴奋性连接（最近邻）和四个抑制性连接（次近邻）。
• 在多个仿真中系统性地改变正负突触权重，以绘制参数空间。
• 通过调节输入尖峰源的大小和强度，研究点火与模式涌现。
• 将尖峰列模式分类为三类：静止、分裂（多个流）和发散（不稳定级联样活动）。
• 分析聚焦于膜电位动力学和放电时间，以识别不同模式类型之间的临界转变。

实验结果

研究问题

• RQ1 在bump吸引网络中，哪些兴奋性和抑制性突触权重组合会导致静止、分裂或发散的尖峰模式？
• RQ2 输入尖峰窗口的大小如何影响多尖峰流或发散活动的出现？
• RQ3 点火网络活动所需的最小输入要求是什么（尖峰源的数量和强度）？
• RQ4 兴奋与抑制的平衡如何决定网络表现出分裂或发散行为？
• RQ5 位于分裂与发散模式边界上的权重配置是什么？它们揭示了网络稳定性的何种特征？

主要发现

• 少量输入尖峰源即可点火网络，但仅当兴奋性权重足够高时（例如0.10），表明存在激活阈值。
• 分裂为多个尖峰流的行为主要由相对于兴奋的强抑制性权重驱动，表明抑制在模式形成中起关键作用。
• 当兴奋占主导时，会涌现出发散性尖峰模式，表明过度兴奋会导致不受控的级联样活动。
• 随着输入窗口大小和尖峰源数量的增加，尖峰流数量也增加，表明输入密度促进分裂行为。
• 位于分裂与发散模式边界上的权重配置表现出混合行为，表明存在一个两种现象共存的中间区域。
• 网络行为对正负权重比高度敏感，在特定权重组合下观察到临界转变。