通过构建精确再现大脑活动各方面的计算模型，有助于理解大脑功能。脉冲神经元网络捕获了神经元回路的基本生物物理学，然而这些活动取决于模型参数，这是众所周知的复杂。因此，启发式方法已用于配置脉冲网络模型，这导致无法发现复杂到足以匹配大规模神经元记录的活动机制。
神经元群活动的大规模脉冲网络模型自动定制。
图1: 脉冲网络模型的自动定制框架，以用于神经元记录。
图2: 脉冲网络模型的活动与神经元记录的活动统计。
图3: 具有高斯过程Gaussian process，GPs的贝叶斯优化Bayesian optimization，BO定制脉冲网络模型。
图4: 基于种群统计的脉冲神经网络优化Spiking Network Optimization using Population Statistics，SNOP，将经典平衡网络classical balanced network，CBN模型精确定制为模拟脉冲序列。
图5:用经典平衡网络CBN和空间平衡网络spatial balanced network，SBN复制猕猴V4和PFC记录的活动统计。
图6: 揭示了经典平衡网络CBN相对于具有折衷成本的空间平衡网络SBN的不灵活性。
文献链接
Wu, S., Huang, C., Snyder, A.C. et al. Automated customization of large-scale spiking network models to neuronal population activity. Nat Comput Sci (2024).
https://doi.org/10.1038/s43588-024-00688-3
https://www.nature.com/articles/s43588-024-00688-3
本文译自Nature。
来源：今日新材料
声明：仅代表译者观点，如有不科学之处，请在下方留言指正！
