Spiking networks as efficient distributed controllers
Spiking networks as efficient distributed controllers
复制标题
尖峰网络作为高效的分布式控制器
DOI：
10.1007/s00422-018-0769-7
复制
发表时间：
2019
影响因子：
1.9
通讯作者：
Ching, ShiNung
中科院分区：
文献类型：
--
作者：
Huang, Fuqiang;Ching, ShiNung
在大脑中，神经元网络产生的活动被解码成感知和行动。神经网络的动力学如何支持这种解码是一个重大的科学问题。也就是说，虽然我们了解神经元以尖峰形式产生活动的基本机制，但这些动力学是否反映了一个覆盖的功能目标还不清楚。在本文中，我们研究神经元动力学的第一原理控制理论的观点。具体来说，我们假设一个目标，其中神经元尖峰活动解码成一个控制信号，随后驱动一个线性系统。然后，使用理论神经科学最近提出的原理，我们优化尖峰的产生，使线性系统实现参考跟踪。事实证明，这种优化导致了一种循环网络架构，其中每个神经元都具有综合动力学。该网络相当于一个高效的分布式基于事件的控制器，如果这样做可以提高跟踪性能，则每个神经元（节点）都会产生尖峰。此外，动态提供了固有的鲁棒性，因此，如果一些神经元失败，其他神经元将通过增加它们的活动来补偿，从而满足跟踪目标。
In the brain, networks of neurons produce activity that is decoded into perceptions and actions. How the dynamics of neural networks support this decoding is a major scientific question. That is, while we understand the basic mechanisms by which neurons produce activity in the form of spikes, whether these dynamics reflect an overlying functional objective is not understood. In this paper, we examine neuronal dynamics from a first-principles control-theoretic viewpoint. Specifically, we postulate an objective wherein neuronal spiking activity is decoded into a control signal that subsequently drives a linear system. Then, using a recently proposed principle from theoretical neuroscience, we optimize the production of spikes so that the linear system in question achieves reference tracking. It turns out that such optimization leads to a recurrent network architecture wherein each neuron possess integrative dynamics. The network amounts to an efficient, distributed event-based controller where each neuron (node) produces a spike if doing so improves tracking performance. Moreover, the dynamics provide inherent robustness properties, so that if some neurons fail, others will compensate by increasing their activity so that the tracking objective is met.
通过在线学习逆模型进行反馈控制
影响因子：
10.4
作者：
Tim Waegeman;F. Wyffels;B. Schrauwen
通讯作者：
B. Schrauwen
优化尖峰网络的动态以进行解码和控制
DOI：
--
发表时间：
2017
期刊：
American Control Conference
影响因子：
--
作者：
Fuqiang Huang;James R. Riehl;ShiNung Ching
通讯作者：
ShiNung Ching
影响因子：
3.5
作者：
Bekolay T;Bergstra J;Hunsberger E;Dewolf T;Stewart TC;Rasmussen D;Choo X;Voelker AR;Eliasmith C
通讯作者：
Eliasmith C