混合学习机制下神经网络的自组织演化与复杂分层结构的形成

Self-organized neural network is an important research topic in the field of cognitive neurodynamics. The self-organization of network structure can significantly enhance the functional properties of neural network. So far, most of related studies only consider one single learning rule for the self-organization of neural networks. However, recently plenty of experimental studies have discovered that synaptic connections among neurons have different connective structures and learning strategies, depending on the spatial scales of connectivity. This neurophysiological phenomenon provides important evidience for exploring the formation mechanisms of the complex hierarchical structure, which prevalently exist in neocortex. Hence, in this project we will present a novel strategy to establish hierarchical neural networks with modules and hub-notes, which can be developed from the self-organization of neural networks by applying hybrid synaptic learning rules, i.e. symmetric and asymmetric spike-timing-dependent plasticity, on the synaptic connections with different spatial scales. Meanwhile, by analyzing the spatio-temporal properties of the neural network, the influence of hierarchical structure on the dynamics of self-organized criticality will be explored. The outcome of this research will be helpful for exploring the formation strategy of complex structures in brain networks, understanding the intrinsic mechanisms of highly efficient signal propagation among large-scale neural populations; and also benefit for developing and improving the computation of artificial intelligence with the application of self-organized neural network.

自组织神经网络是认知神经动力学领域的一个重要研究方向，神经网络结构的自组织演化能有效提高网络的功能特性。目前,相关研究主要只针对单一学习机制的自组织神经网络。近期大量实验研究发现，神经元之间的突触连接在不同空间尺度上具有不同的连接形式和学习规律。这一神经生物学现象为研究脑网络中广泛存在的复杂分层结构的形成机理提供了重要依据。本项目拟采用突触的混合学习机制，即对称与非对称放电时间依赖的突触可塑性，对不同空间尺度上的突触连接采用不同的突触学习算法，从而构建具有模块及中心节点分层结构的自组织神经网络。通过分析神经网络的时空动力学特性，探索分层结构对网络自组织临界动力学的影响，从混合学习机制角度刻划脑网络中结构与功能的相互关系。本项目有关研究成果不仅有助于揭示脑网络中复杂结构的形成规律，同时对深入理解大规模神经网络中的高效信号传导机制以及发展和完善自组织神经网络在人工智能计算中的应用具有重要意义。

脑科学中有关脉冲神经网络的研究已取得了大量的理论和实验成果，其中具有复杂网络结构与丰富动力学特性的脉冲神经网络比传统人工神经网络具备更强大的计算能力，对人工智能领域具有十分重要的启发作用。本研究通过结合脑科学、复杂网络理论和非线性动力学等领域，研究了混合学习机制下脉冲神经网络的自组织演化问题。首先分析了单个神经元的多种放电模式，发现神经网络在簇放电模式下比常规脉冲放电具有更高的计算精度；然后通过对称STDP学习算法构建了具有分簇结构的自组织神经网络；随后基于以上分簇后形成的模块化神经网络，对各个模块间的长程连接采用非对称STDP学习算法，并加入IP学习算法自适应调节神经元的内在兴奋性，利用混合学习算法构建出具有复杂分层结构的神经网络；最后分析了以上自组织神经网络的临界动力学特性，发现STDP及IP等学习规则能够增大网络的临界态区域宽度，并进一步发现临界态状态下神经网络的储备池计算性能得到了明显的提升。综上所述，本研究在开展理论基础研究的过程中，发现突触可塑性、网络结构以及临界动力学特性对神经网络的信号传导效率有着显著的影响，通过一系列储备池计算等应用研究已证实本项目提出的自组织脉冲神经网络具有非常好的计算性能。该研究为发展和完善脉冲神经网络在人工智能计算中的应用提供了重要的参考价值。