79、基板可塑性：实现神经网络的动态学习

基板可塑性：实现神经网络的动态学习

1. 引言

在神经网络的发展中，让基板具备可塑性，从而使神经元之间的突触权重能够通过经验进行改变，是一个重要的研究方向。目前，我们的系统已经有了高度先进的直接编码神经网络实现，但还缺少基板可塑性这一关键要素。接下来，我们将探讨如何实现基板可塑性，并介绍相关的学习规则。

2. 实现基板可塑性的思路

传统的神经网络在计算突触权重时，通常仅依据连接神经元的坐标。但如果我们不仅向神经网络输入连接神经元的坐标，还输入神经元的突触前信号、突触后信号以及当前连接权重，并且将神经网络的输出指定为权重的变化量而非新的突触权重，同时让神经网络在每次基板处理一组感官向量时持续产生这些变化，那么整个神经网络将成为一个学习规则生成系统。

例如，我们可以对 substrate_cpp 进行修改，将输入向量从 [X1,Y1...X2,Y2...] 改为 [X1,Y1...X2,Y2...PreSynaptic,PostSynaptic,CurWeight] ；对 substrate_cep 进行修改，将输出从 [SynapticWeight] 改为 [Delta_SynapticWeight] 。此外，将 substrate_state_flag 设置为 iterative ，让神经网络在每次基板处理信号后产生 Delta_SynapticWeight 信号。这样，在处理感官信号后，基