Die Balance zwischen Komplexität, Leistung und Plausibilität zur meta-lernen von Plastizitätsregeln in rekurrenten spikenden Netzwerken.

Zusammenfassung Synaptische Plastizität spielt eine Schlüsselrolle bei den lebenslangen Lernfähigkeiten des Gehirns. Aufgrund experimenteller Einschränkungen bleibt jedoch der mechanistische Zusammenhang zwischen den Regeln der synaptischen Plastizität und den Netzwerkebene-Berechnungen, die sie ermöglichen, intransparent. Hier verwenden wir evolutionäre Strategien (ES), um lokal koaktive Plastizitätsregeln in großen rekurrenten spikenden Netzwerken zu meta-lernen, wobei Parameterisierungen zunehmender Komplexität verwendet werden. Wir entdecken Regeln, die die Netzwerkdynamik für alle vier Synapsentypen, die isoliert wirken (E-to-E, E-to-I, I-to-E und I-to-I), robust stabilisieren. Komplexere Funktionen wie die Erkennung von Vertrautheit können ebenfalls in die Suchbeschränkungen einbezogen werden. Unsere Meta-Lernstrategie beginnt jedoch zu scheitern, je komplexer die koaktiven Regeln werden, da es herausfordernd ist, Verlustfunktionen zu entwickeln, die die Netzwerkdynamik a priori auf plausible Lösungen einschränken. Darüber hinaus können wir in Übereinstimmung mit früheren Arbeiten mehrere degenerierte Lösungen mit identischem Netzwerkverhalten finden. Als lokale Optimierungsstrategie bietet ES jeweils eine Lösung und macht die Erforschung dieser Degenerierung mühsam. Dennoch können wir die Wechselwirkungen verschiedener Plastizitätsparameter ermitteln, indem wir die Kovarianzmatrix betrachten, die zusammen mit der optimalen Regel mit ES gelernt wurde. Unsere Arbeit liefert einen Prinzipnachweis für den Erfolg der maschinellen Lern-gesteuerten Entdeckung von Plastizitätsregeln in großen spikenden Netzwerken und weist auf die Notwendigkeit aufwändigerer Suchstrategien in der Zukunft hin.