[论文解读] Efficient low-dimensional approximation of continuous attractor networks

Alexander Seeholzer, Moritz Deger+1 more|arXiv (Cornell University)|Nov 21, 2017

Neural Networks Stability and Synchronization参考文献 15被引用 4

一句话总结

本文提出一种低维参数化方法，可高效近似具有非线性动力学的连续吸引子网络中的稳态发放率分布，从而实现对速率型和脉冲发放神经元模型中波状吸引子特性的快速预测与优化。该方法将高维网络动力学简化为可处理的自洽方程，使网络参数能够被精确调制以实现期望的波形形状，而无需完整模拟。

ABSTRACT

Continuous "bump" attractors are an established model of cortical working memory for continuous variables and can be implemented using various neuron and network models. Here, we develop a generalizable approach for the approximation of bump states of continuous attractor networks implemented in networks of both rate-based and spiking neurons. The method relies on a low-dimensional parametrization of the spatial shape of firing rates, allowing to apply efficient numerical optimization methods. Using our theory, we can establish a mapping between network structure and attractor properties that allows the prediction of the effects of network parameters on the steady state firing rate profile and the existence of bumps, and vice-versa, to fine-tune a network to produce bumps of a given shape.

研究动机与目标

• 开发一种可推广的方法，以高效近似具有非线性动力学的连续吸引子网络中的稳态发放率分布。
• 在无需完整数值模拟的情况下，实现从微观网络参数出发对波状吸引子特性（形状、稳定性）的快速预测。
• 通过计算高效的优化方法，实现逆向设计——即调制网络参数以生成期望的波形形状。
• 通过降低维度，将平均场方法扩展至连续吸引子，同时保留生物相关的非线性特性，如NMDA突触电导和适应性。
• 在简化速率模型和复杂的电导基底积分-发放脉冲网络中，对方法进行验证。

提出的方法

• 使用低维基函数（如高斯或傅里叶模式）对空间发放率分布进行参数化，从而降低系统的有效维度。
• 通过将膜电位均值和发放率表示为低维参数的函数，推导出网络稳态的自洽方程。
• 利用Siegert公式根据输入统计量（均值和方差）计算发放率，从而实现群体活动的高效计算。
• 在低维参数空间中应用数值优化，以预测或调节波形形状，与完整模拟相比显著降低计算成本。
• 通过将预测结果与速率型和脉冲发放神经元模型中的完整网络模拟进行比较，对方法进行验证，这些模型均具有非线性动力学。
• 将生物物理上合理的特征（如电压依赖性NMDA突触、适应性及电导基底动力学）整合到近似框架中。

实验结果

研究问题

• RQ1 低维参数化能否准确预测具有非线性神经元动力学的连续吸引子网络的稳态发放率分布？
• RQ2 与完整模拟相比，该方法在预测网络参数对波形形状和存在性影响方面的效率如何？
• RQ3 该方法能否用于逆问题求解——即在不进行大量模拟的情况下，设计网络参数以生成期望的波形形状？
• RQ4 当引入如NMDA电导和适应性等复杂生物物理特征时，该近似方法的准确性在多大程度上仍能保持？
• RQ5 该方法在不同网络架构和参数区域（包括脉冲发放神经元模型）中的可扩展性如何？

主要发现

• 低维参数化方法在速率型和电导基底脉冲发放网络中均能准确预测波状吸引子分布，测试配置下的预测误差低于10%。
• 使用低维方法，实现目标波形形状的网络参数优化仅需数秒，而完整模拟则需数小时甚至数天。
• 该方法成功捕捉了非线性NMDA动力学和适应性对波形稳定性与宽度的影响，这些效应难以通过解析方法分析。
• 在脉冲发放网络模拟中，预测的发放率分布与模拟结果高度一致，尤其在宽而稳定的波形中表现更优。
• 该方法将优化问题的有效维度降低了数个数量级，从而实现了网络参数的高效逆向设计。
• 该方法在不同网络架构中具有泛化能力，包括具有距离依赖性连接和异质性突触动力学的网络。