Study of the influence of synaptic plasticity on the formation of a feature space by a spiking neural network

Capa

Citar

Texto integral

Resumo

The purpose of this study is to study the influence of synaptic plasticity on excitatory and inhibitory synapses on the formation of the feature space of the input image on the excitatory and inhibitory layers of neurons in a spiking neural network. Methods. To simulate the dynamics of the neuron, the computationally efficient model “Leaky integrate-and-fire” was used. The conductance-based synapse model was used as a synaptic contact model. Synaptic plasticity in excitatory and inhibitory synapses was modeled by the classical model of time dependent synaptic plasticity. A neural network composed of them generates a feature space, which is divided into classes by a machine learning algorithm. Results. A model of a spiking neural network was built with excitatory and inhibitory layers of neurons with adaptation of synaptic contacts due to synaptic plasticity. Various configurations of the model with synaptic plasticity were considered for the problem of forming the feature space of the input image on the excitatory and inhibitory layers of neurons, and their comparison was also carried out. Conclusion. It has been shown that synaptic plasticity in inhibitory synapses impairs the formation of an image feature space for a classification task. The model constraints are also obtained and the best model configuration is selected.

Sobre autores

Andrey Lebedev

Lobachevsky State University of Nizhny Novgorod

603950 Nizhny Novgorod, Gagarin Avenue, 23

Viktor Kazantsev

Institute of Applied Physics of the Russian Academy of Sciences

ORCID ID: 0000-0002-2881-6648
Researcher ID: L-1424-2013
ul. Ul'yanova, 46, Nizhny Novgorod , 603950, Russia

Sergey Stasenko

Lobachevsky State University of Nizhny Novgorod

ORCID ID: 0000-0002-3032-5469
Scopus Author ID: 55327776400
Researcher ID: J-4825-2013
603950 Nizhny Novgorod, Gagarin Avenue, 23

Bibliografia

  1. Song S, Miller KD, Abbott LF. Competitive Hebbian learning through spike-timing-dependent synaptic plasticity. Nature Neuroscience. 2000;3(9):919–926. doi: 10.1038/78829.
  2. Thorpe S, Delorme A, Van Rullen R. Spike-based strategies for rapid processing. Neural Networks. 2001;14(6–7):715–725. doi: 10.1016/S0893-6080(01)00083-1.
  3. Loiselle S, Rouat J, Pressnitzer D, Thorpe S. Exploration of rank order coding with spiking neural networks for speech recognition. In: Proceedings. 2005 IEEE International Joint Conference on Neural Networks, 2005. 31 July 2005 - 04 August 2005, Montreal, QC, Canada. New York: IEEE; 2005. P. 2076–2080. doi: 10.1109/IJCNN.2005.1556220.
  4. Yamazaki K, Vo-Ho V-K, Bulsara D, Le N. Spiking neural networks and their applications: A review. Brain Sciences. 2022;12(7):863. doi: 10.3390/brainsci12070863.
  5. Bohte SM, Kok JN, La Poutre H. Error-backpropagation in temporally encoded networks of spiking neurons. Neurocomputing. 2002;48(1–4):17–37. doi: 10.1016/S0925-2312(01)00658-0.
  6. Markram H, Gerstner W, Sjostrom PJ. Spike-timing-dependent plasticity: a comprehensive overview. Frontiers in Synaptic Neuroscience. 2012;4:2. doi: 10.3389/fnsyn.2012.00002.
  7. Stasenko SV, Kazantsev VB. Dynamic image representation in a spiking neural network supplied by astrocytes. Mathematics. 2023;11(3):561. doi: 10.3390/math11030561.
  8. Stasenko SV, Kazantsev VB. Information encoding in bursting spiking neural network modulated by astrocytes. Entropy. 2023;25(5):745. doi: 10.3390/e25050745.
  9. Stasenko SV, Mikhaylov AN, Kazantsev VB. Model of neuromorphic odorant-recognition network. Biomimetics. 2023;8(3):277. doi: 10.3390/biomimetics8030277.
  10. Gordleeva SY, Tsybina YA, Krivonosov MI, Ivanchenko MV, Zaikin AA, Kazantsev VB, Gorban AN. Modeling working memory in a spiking neuron network accompanied by astrocytes. Frontiers in Cellular Neuroscience. 2021;15:631485. doi: 10.3389/fncel.2021.631485.
  11. Masquelier T, Guyonneau R, Thorpe S. Spike timing dependent plasticity finds the start of repeating patterns in continuous spike trains. PLoS ONE. 2008;3(1):e1377. doi: 10.1371/journal. pone.0001377.
  12. Guo W, Fouda ME, Eltawil AM, Salama KN. Neural coding in spiking neural networks: A comparative study for robust neuromorphic systems. Frontiers in Neuroscience. 2021;15:638474. doi: 10.3389/fnins.2021.638474.
  13. Borgers C. Linear integrate-and-fire (LIF) neurons. In: An Introduction to Modeling Neuronal Dynamics. Vol. 66 of Texts in Applied Mathematics. Cham: Springer; 2017. P. 45–50. DOI: 10. 1007/978-3-319-51171-9_7.
  14. Bi G-Q, Poo M-M. Synaptic modifications in cultured hippocampal neurons: Dependence on spike timing, synaptic strength, and postsynaptic cell type. J. Neurosci. 1998;18(24):10464–10472. doi: 10.1523/JNEUROSCI.18-24-10464.1998.
  15. Deng L. The MNIST database of handwritten digit images for machine learning research [best of the web]. IEEE Signal Processing Magazine. 2012;29(6):141–142. doi: 10.1109/MSP.2012. 2211477.
  16. Sterratt D, Graham B, Gillies A, Willshaw D. Principles of Computational Modelling in Neuroscience. Cambridge: Cambridge University Press; 2011. 390 p. doi: 10.1017/CBO97805 11975899.
  17. Chen Y. Mechanisms of winner-take-all and group selection in neuronal spiking networks. Frontiers in Computational Neuroscience. 2017;11:20. doi: 10.3389/fncom.2017.00020.

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».