临界态对生物神经网络学习、记忆以及模式识别能力的影响

The realization of various functions of the brain relies on its being organized at an optimized state. However, the nature of such a state, as well as its relation to brain functions, remains largely elusive. A number of previous studies have hypothesized that the brain works at or close to the critical state. It has also been reported that nervous systems that are critical have various functional advantages, such as maximized dynamic range, optimized information transmission and maximized information storage capacity. Nevertheless, so far it is unclear whether the critical state can benefit more concrete functions of biological neural networks, such as learning and memory. In this project, based on the established paradigms on learning, memory and pattern recognition of plastic neural networks, we will explore the functional benefits of being organized at a critical state for neural networks with real biological characteristics. That is, we will examine the difference in various performances when the networks are critical, subcritical and supercritical (hereinafter referred to as the "three-states"). Specifically, we will explore the following aspects:(1) difference in learning and classification capability among the three-states; (2) the difference in memory capability of encoding spatial patterns among the three-states; (3) the effects of important model parameters on functional performance among the three-states and (4) analyzing the mechanism by which learning, memory and pattern recognition are affected by the three-states. These studies will not only help us understand the nature of the optimized brain state and how it gives rise to various brain functions, but also inspire the design of brain-like intelligent systems.

大脑功能的实现依赖于其保持在一个优化的状态。但目前对这一状态的特征及其与脑功能的关系还远未明了。已有大量实验提出了大脑工作在临界状态附近的猜想，实验也揭示处于临界态的神经系统具有功能优势，如实现最大的刺激响应范围、最优的信息传播以及最大的信息存储容量。然而迄今为止，临界态是否有利于生物神经网络高效实现学习与记忆等实际功能还不清楚。本项目将基于以往探讨可塑性神经网络学习、记忆以及模式识别等具体功能的研究范式，建立具有生物学特征的神经网络模型，从而研究临界态是否有利于网络的功能实现，即考虑网络处于临界态、亚临界态以及超临界态（简称“三态”）下实现上述功能的性能差异。具体研究三态下网络分类识别能力、记忆空间斑图能力的差异，探讨重要参数对三态下网络功能实现的影响，以及分析三态影响网络功能的内在机理。这些研究将既有助于深入认识脑状态的本质及其与脑功能的关系，也将对设计类脑智能系统有重要的启发意义。

脑状态如何影响脑功能的实现一直是人们非常关心的问题。有大量实验表明大脑极有可能工作在一个特殊的临界态附近，且已发现临界态神经网络具有很多理论上的功能作用，但临界态是否有利于生物神经网络高效实现学习、记忆与识别等实际功能还不清楚。本项目基于生物上合理的可塑性脉冲神经网络（spiking neural network，SNN）模型，主要围绕临界态对SNN实现记忆与识别功能的作用以及可塑性脉冲神经网络如何实现有监督学习与分类两个方向开展研究：一方面，我们的研究发现了临界态下网络能最优化实现序列学习与回忆以及工作记忆。同时通过引入短时程突触可塑性诱导网络自组织到临界态（自组织临界态），发现自组织临界态网络实现最优化性能的工作区域被大幅增大，即自组织临界态使得SNN产生对长时程突触强度变化的鲁棒性；另一方面，我们基于多巴胺（dopamine）调制的放电时序依赖的突触可塑性（spike timing-dependent plasticity, STDP），构建了一个生物上合理的有监督学习SNN模型。我们模型在MNIST手写体数字数据集上能够实现高达96.5%的分类准确率，其优于现有最好的STDP无监督学习模型（95%），也可比拟于当前生物不合理的SNN有监督学习模型；同时我们也在卷积SNN框架下结合STDP、时间编码与局域权值共享策略建立一个新型的语音识别模型，其能够快速地实现语音分类，性能可达到现有人工神经网络最高水平。此外，考虑到本项目研究的是微观神经回路层次上的网络学习与识别，而近期宏观脑区层次上多脑区协同的类脑智能模型进展迅猛，因此，我们基于脑影像数据的统计分析与网络动力学建模，研究了神经网络在宏观脑区尺度上的基本相互作用结构，发现了脑区之间的相互作用是简单的两两相互作用为主导。此成果能够为设计新型多脑区协同的脉冲神经网络模型提供理论依据，也丰富了原项目书的研究内容。这一系列成果不仅有助于加深理解大脑功能实现的内在信息处理机制，也为设计类脑智能系统（如神经形态芯片系统）提供原理指导与学习算法支撑。