异质脉冲网络中的快速率编码

若一个脉冲神经元网络的动力学能够被一个连续速率网络准确描述，则称该网络工作在速率编码机制下。但神经元之间基于离散脉冲的通信如何能产生连续的基于速率的动力学？计算研究表明，异质性脉冲网络可以近似循环神经网络（RNN，速率网络的一种特例）的动力学，但这些研究假设脉冲近似为泊松过程，或假设网络动力学较慢。在此，我们表明这两种假设都不是必需的：非泊松神经元的异质性网络可以产生快速的基于速率的动力学。为证明这一点，我们表明，在积分-发放型神经元的前馈网络中，信号传递可以由一个依赖历史的速率网络来描述，该描述在网络规模增大时渐近精确，即使异质性持续存在也是如此，而线性-非线性速率网络则失效。通过为异质性网络中的快速速率编码提供一个构造性模型，这项工作为将基于速率的神经记录分析扩展到慢动力学或泊松速率编码假设之外奠定了基础。

中文由 AI 翻译，仅供参考，以原文为准。