qq5q13638的博客

脉冲神经网络（SNN）是模拟生物神经行为的计算模型，它们通过模拟神经元的脉冲活动来处理信息。SNN的研究可以追溯到最早的**被动膜模型**，这些模型试图描述神经元的电生理特性。本博客将从SNN的起源讲起，逐步深入到**HH模型**的基本原理，再到**Izhi模型**的简化与应用。我们将通过Yamamoto2024的论文，探讨SNN如何与湿实验相结合，以及这种结合如何推动了神经科学和人工智能的交叉发展。

在神经科学领域，理解大脑如何通过其复杂的**网络结构**实现**高级功能**一直是一个核心议题。最近，一项发表在《Nature Communications》上的研究为我们提供了新的视角，该研究由Nobuaki Monma和Hideaki Yamamoto博士领导的团队完成，他们通过创新的实验和计算模型，揭示了在生物神经网络中引入方向性连接如何显著影响网络的动态行为和功能性复杂度。

在科研工作中，经常需要将数据可视化以便更好地理解和传达研究成果。但大家主要放静态图片，而视频或动画通常比静态图片更具吸引力和表现力。AE, Manim太难学，Matlab就可以用来制作动画。在这篇博客中，我们将介绍如何使用 MATLAB 制作动画，并以 Lorenz 系统为例进行演示。

这一篇文章叫做 **数据驱动**的**坐标发现与方程发现算法**。想回答的问题很简单，就是根据数据写方程。想想牛顿的处境，如何根据各种不同物体下落的数据，写出万有引力的数学公式的。这篇文章就是来做这件事的。当然，这篇论文并没有从牛顿视角，完全去思考牛顿所想。而是利用现有的**深度学习技术** 和 **动力学重构的方法** 。提出了一种框架，基于现有的计算机技术，去发现物质运动背后的物理规律。这里直接给出这篇方法的核心思路图，我们后面会逐个讲解。

这篇文章介绍中的研究和方法，并非指的是计算机科学的神经网络模型(比如MLP, CNN, RNN之类的)，而是指我们如何从实验数据中，构建数学模型去描述生物神经元的动力学行为。传统的计算神经科学，已经从物理理论推导出了一些模型，如：LIF(1907)，HH(1952)，Cable theory(电缆模型)之类的。但如何，或如何，其实在传统计算神经科学中的课程中讲得并不多。这个文章是希望从数据驱动的角度，以RNN来进行数据驱动的生物神经元动力学建模，讨论了RNN的常用处理方法和可解释性。

通过本文，你将获得1. 单个节点的Kuramoto模型，以及其中参数的含义2. 正弦耦合的Kuramoto3. Kuramoto模型的平均场分析 (Mean-Field)，这也揭示了模型与复分析的关系4. 一般的Kuramoto网络

这一篇文章，主要是给非线性动力学，对微分方程模型参数拟合感兴趣的朋友写的。笼统的来说，这与混沌系统的预测有关；传统的机器学习的模式识别虽然也会谈论预测结果，但他们一般不会涉及连续的预测。这里我们考虑的是，连续的预测，而不仅是进行一步预测。比如生物神经元的发放序列，股票序列，天气序列等等。