[论文解读] Point Neurons with Conductance-Based Synapses in the Neural Engineering Framework

Andreas Stöckel, Aaron R. Voelker+1 more|arXiv (Cornell University)|Oct 20, 2017

Advanced Memory and Neural Computing参考文献 5被引用 5

一句话总结

本文提出一种通过电压依赖的缩放变换，将神经工程框架（NEF）网络从电流基突触转换为电导基突触的方法。该方法在前馈网络中表现良好，但在积分等递归动态中性能下降，原因在于调谐曲线中尖峰起始延迟，表明需要对完整权重矩阵进行迭代优化，而非简单的权重重加权。

ABSTRACT

The mathematical model underlying the Neural Engineering Framework (NEF) expresses neuronal input as a linear combination of synaptic currents. However, in biology, synapses are not perfect current sources and are thus nonlinear. Detailed synapse models are based on channel conductances instead of currents, which require independent handling of excitatory and inhibitory synapses. This, in particular, significantly affects the influence of inhibitory signals on the neuronal dynamics. In this technical report we first summarize the relevant portions of the NEF and conductance-based synapse models. We then discuss a naïve translation between populations of LIF neurons with current- and conductance-based synapses based on an estimation of an average membrane potential. Experiments show that this simple approach works relatively well for feed-forward communication channels, yet performance degrades for NEF networks describing more complex dynamics, such as integration.

研究动机与目标

• 弥合线性电流基NEF框架与生物上更真实的电导基突触之间的差距。
• 解决电导基突触引入的非线性问题，其依赖于膜电位和反转电位。
• 评估是否可通过简单转换电流基NEF权重矩阵，保持其在电导基实现中的网络功能。
• 识别在NEF形式下使用电导基突触时，递归网络性能的局限性。

提出的方法

• 通过引入电压依赖的缩放因子，推导NEF突触电流方程的电导基等价形式。
• 利用期望的平均膜电位估算这些缩放因子，以近似实现电流到电导的转换。
• 将该变换应用于现有的电流基NEF权重矩阵，消除偏置电流以保持一致性。
• 通过前馈和递归网络的基准实验验证该方法，与原始电流基模型进行性能比较。
• 分析电导基神经元中的调谐曲线偏移，特别是模拟中观察到的尖峰起始延迟。
• 发现标准NEF求解器无法适用于电导基突触，因其需要优化完整权重矩阵，而非仅解码器。

实验结果

研究问题

• RQ1 是否可通过简单变换将电流基NEF权重矩阵转换为功能性的电导基等价形式？
• RQ2 在前馈通信通道中，电导基突触与电流基突触的性能相比如何？
• RQ3 为何在使用电导基突触时，递归网络（如积分器）的性能会下降？
• RQ4 调谐曲线偏移（尤其是尖峰起始延迟）在多大程度上解释了电导基NEF网络中的性能偏差？
• RQ5 是否可行在不重新训练整个权重矩阵的前提下，将NEF框架适配至电导基突触？

主要发现

• 所提出的变换在前馈网络中保持良好性能，当移除偏置电流后，与电流基对应物相比误差极小。
• 在积分器等递归网络中，系统性地偏离预期动态，尤其表现为信号低估和响应延迟。
• 与电流基神经元相比，电导基神经元表现出调谐曲线偏移，尖峰起始延迟，这可能是性能下降的原因。
• 基于平均膜电位推导的电压依赖缩放因子提供了合理近似，但无法捕捉全部非线性动态。
• 简单权重矩阵变换不足以应对递归网络；必须对完整权重矩阵进行迭代优化，导致计算成本增加。
• 初步结果表明，尽管可行，电导基NEF网络需要比标准NEF方法更复杂的求解器。