45、无监督学习方法在神经形态网络中的应用

无监督学习方法在神经形态网络中的应用

1. 引言

在神经形态网络的研究中，为了控制神经元的分叉现象，引入了强化技术。这些技术基于状态转换规则，描述神经元之间的相互作用，是一种新型的刺激控制方式。同时，通过无监督学习方法调整突触权重，使网络能够学习和适应不同的刺激输入，实现对特定信号的分类。

2. 神经元模型与刺激强化

2.1 神经元突触权重与电流

变量 $S_{ij}(t)$ 表示突触前神经元 $j$ 和突触后神经元 $i$ 之间的突触权重 $w_{ij}$，突触权重 $w_{ij}$ 在 $(0, 1)$ 范围内变化，并乘以电流幅度 $I_0$ 得到合适的互连电流值，其量级为 $pA$。该方程基于对突触前神经元突触权重求和，并加上外部激励电流 $I_{in}^i(t)$ 的逻辑，以产生生物神经元中观察到的不同类型的神经形态分叉。

2.2 刺激强化技术

为了控制这种分叉，引入了强化技术，包括以下两种状态转换规则：
- 多数规则（Majority - rule） ：这是一种受元胞自动机启发的决策规则，每个神经元在其大多数相邻神经元被激发时接收刺激。如果某个神经元的大多数邻域产生了尖峰，则该神经元能够获得它们的刺激，否则该神经元被视为与网络断开连接。
- 生命游戏规则（Game - of - Life rule） ：该规则受康威生命游戏元胞自动机规则的启发，将细胞状态改为静止或兴奋以融入神经元动力学。每个神经元根据其状态和相邻神经元的活动受到刺激。如果神经元产生了尖峰，仅当两个或三个相邻神经元被激发时才接收刺激电流；否