17、基于事件的神经形态系统中的突触学习与硬件实现

基于事件的神经形态系统中的突触学习与硬件实现

1. 元塑性状态与级联模型

元塑性状态下，突触的可塑性水平取决于其过去的修改历史。存在两条由 m 个突触状态组成的链，分别对应两种不同强度的突触权重。当突触被修改时，会进入级联顶部的某个状态，这些状态具有很高的可塑性（q = 1）。若突触反复增强，它会在增强状态链中向下移动，每个状态对抑制的抗性逐渐增强（q ∼ xk，其中 x < 1 且 k = 1, … , m），即突触的动态特性会根据连续增强的次数而改变（元塑性），抑制情况同理。

在平衡状态下，所有元塑性状态被均匀占据。这意味着级联顶部总有可塑性高、准备存储新记忆的突触，级联底部则有保存巩固的远程记忆的突触。对于这种突触模型，记忆痕迹在很大范围内呈幂律衰减，之后呈指数快速衰减：
[S(p) \sim \frac{1}{m} \frac{1}{1 + pe^{-pqs}}]
其中 qs 是最小转移概率，在最优情况下按 (2^{-m}) 缩放，m 是链中的状态数。该模型的记忆寿命和初始记忆痕迹都与 (\sqrt{N}) 成比例。级联模型得到了一些突触可塑性实验结果的支持，但尚未在神经形态硬件中实现。

2. 神经形态硬件中的记忆存储

2.1 学习的突触模型

突触的修改和记忆的存储方式取决于多个因素，包括要执行的任务、学习类型（监督学习、无监督学习或强化学习）、记忆的表示方式（神经编码）以及记忆的检索方式（记忆检索）。以下是一些有代表性的突触模型：
- 编码平均放电率的突触模型
- 实验证据表明，记录神经元的平均放电率编码了与动物执行任务相关的大量信息。平均