[发明专利]用于尖峰神经网络中的自然多尖峰序列的神经学习的方法和装置

说明书

背景技术

领域

本公开的某些方面一般涉及神经系统工程，更具体地涉及用于尖峰神经网络中的自然多尖峰序列的神经学习的方法和装置。

背景

典型的取决于尖峰定时的可塑性（STDP）学习规则基于单对尖峰前（输入）与尖峰后（输出）之间的定时来适配突触权重。然而，自然尖峰序列（例如，在生物学中）和尖峰神经网络中的尖峰序列一般不具有清晰分开的尖峰对。因此，多个输入和输出尖峰表示一般情形。然而，基于STDP的学习可能因权重增大和减小的振荡而不能收敛。不仅如此，基本STDP学习规则可能未能计及多尖峰上下文中生物学上观察到的学习。

已在文献中基于理论提议了两种主要模型。一种方法需要基于所有组合对（突触前和突触后）的计算。然而，这种办法往往在计算上是昂贵的。另一种方法解释基于速率的效应，而非与时间编码有关的时间效应。此外，这种办法可以取决于神经元动态模型并且可能需要多个时标上的复杂滤波。

因此，希望有在计算上实用的、为在时间编码上下文中操作的尖峰网络提供稳定性和快速学习的、且还能够是生物学上似真的方法。

概述

本公开的某些方面提供一种神经学习的方法。该方法一般包括：通过将突触前神经元与突触后神经元相连接的突触的权重来调制从突触前神经元至突触后神经元的输入；以及基于与突触相关联的资源、自从该权重的上一次改变以来的时间、或者突触前神经元与突触后神经元的尖峰定时中的至少一者来适配突触的权重。

本公开的某些方面提供了一种用于神经学习的装置。该装置一般包括：第一电路，配置成通过将突触前神经元与突触后神经元相连接的突触的权重来调制从突触前神经元至突触后神经元的输入；以及第二电路，配置成基于与突触相关联的资源、自从该权重的上一次改变以来的时间、或者突触前神经元与突触后神经元的尖峰定时中的至少一者来适配突触的权重。

本公开的某些方面提供了一种用于神经学习的设备。该设备一般包括：用于通过将突触前神经元与突触后神经元相连接的突触的权重来调制从突触前神经元至突触后神经元的输入的装置；以及用于基于与突触相关联的资源、自从该权重的上一次改变以来的时间、或者突触前神经元与突触后神经元的尖峰定时中的至少一者来适配突触的权重的装置。

本公开的某些方面提供了一种用于神经学习的计算机程序产品。该计算机程序产品一般包括计算机可读介质，该计算机可读介质包括用于执行以下操作的代码：通过将突触前神经元与突触后神经元相连接的突触的权重来调制从突触前神经元至突触后神经元的输入，以及基于与突触相关联的资源、自从该权重的上一次改变以来的时间、或者突触前神经元与突触后神经元的尖峰定时中的至少一者来适配突触的权重。

本公开的某些方面提供一种神经学习的方法。该方法一般包括：通过将突触前神经元与突触后神经元相连接的突触的权重来调制从突触前神经元至突触后神经元的输入；基于与突触相关联的资源考虑和突触前神经元与突触后神经元的尖峰定时来适配突触的权重；以及基于突触前神经元和突触后神经元的先前尖峰之间的一个或多个定时关系来确定该资源考虑。

本公开的某些方面提供了一种用于神经学习的装置。该装置一般包括：第一电路，配置成通过将突触前神经元与突触后神经元相连接的突触的权重来调制从突触前神经元至突触后神经元的输入；第二电路，配置成基于与突触相关联的资源考虑和突触前神经元与突触后神经元的尖峰定时来适配突触的权重；以及第三电路，配置成基于突触前神经元和突触后神经元的先前尖峰之间的一个或多个定时关系来确定该资源考虑。

本公开的某些方面提供了一种用于神经学习的设备。该设备一般包括：用于通过将突触前神经元与突触后神经元相连接的突触的权重来调制从突触前神经元至突触后神经元的输入的装置；用于基于与突触相关联的资源考虑和突触前神经元与突触后神经元的尖峰定时来适配突触的权重的装置；以及用于基于突触前神经元和突触后神经元的先前尖峰之间的一个或多个定时关系来确定该资源考虑的装置。

本公开的某些方面提供了一种用于神经学习的计算机程序产品。该计算机程序产品一般包括计算机可读介质，该计算机可读介质包括用于执行以下操作的代码：通过将突触前神经元与突触后神经元相连接的突触的权重来调制从突触前神经元至突触后神经元的输入；基于与突触相关联的资源考虑和突触前神经元与突触后神经元的尖峰定时来适配突触的权重；以及基于突触前神经元和突触后神经元的先前尖峰之间的一个或多个定时关系来确定该资源考虑。