基于神经连接组约束的可塑性神经动力学模型优化方法与流程

本发明涉及人工智能领域，特别涉及基于神经连接组约束的可塑性神经动力学模型优化方法。

背景技术：

1、神经连接组学是神经科学领域的重要研究方向，旨在系统性地解析神经系统内部神经元之间的结构连接关系。随着电子显微镜重建技术、高通量成像技术以及神经结构测量技术的快速发展，研究人员已经能够获得包括秀丽隐杆线虫、果蝇以及部分哺乳动物脑区在内的较为完整的神经连接组数据。这些精确的神经结构信息为基于神经连接组的神经系统建模研究提供了重要的数据基础，推动了神经科学计算建模领域的深入发展。

2、其中，基于神经连接组的神经动力学建模是该领域的核心研究内容之一。该方法通常利用神经连接组提供的神经元拓扑结构构建神经网络模型，并结合hodgkin-huxley模型、leaky integrate-and-fire模型、morris-lecar模型或多区室神经元模型等生物物理神经元模型对神经系统活动进行数值仿真，以研究神经系统的信息编码机制和行为产生机制。该类方法能够较好地保留神经系统的结构特征和动力学特征，在神经科学研究中得到广泛应用。

3、然而，现有基于神经连接组的建模方法存在明显不足。首先，当前连接组模型通常将神经元之间的连接参数设定为固定值，或者通过离线拟合方式获得连接权重和动力学参数，模型在完成参数拟合后结构和参数保持不变，仅能重现特定实验条件下的神经活动模式，缺乏根据环境变化持续调整连接参数的能力，难以反映真实生物神经系统所具有的持续学习和环境适应能力。其次，现有研究多采用梯度下降、误差反向传播及时间反向传播等优化方法对模型参数进行训练，该类方法虽然应用于人工神经网络领域取得了良好效果，但应用于大规模神经动力学模型时存在计算开销大、存储需求高的问题，且反向传播算法依赖全局梯度信息，与真实生物神经系统中的局部突触更新机制存在显著差异，生物合理性较弱。再次，研究人员虽然提出了hebbian学习规则、stdp学习规则等局部可塑性机制以及三因子学习规则等能够引入奖励信号或误差信号进行调控的学习方法，但该类方法大多应用于人工构建的脉冲神经网络或随机生成网络结构，未充分结合真实神经连接组所提供的结构先验信息，难以同时兼顾结构真实性、生物合理性以及持续学习能力。综上，现有技术缺乏一种能够在真实神经连接组约束下，将神经动力学模型、局部可塑性机制以及全局任务反馈统一融合的优化框架，难以实现神经网络连接参数和动力学参数的在线自适应优化。

技术实现思路

1、发明的目的在于提供基于神经连接组约束的可塑性神经动力学模型优化方法，解决了背景技术中提到的问题。

2、本发明是这样实现的，基于神经连接组约束的可塑性神经动力学模型优化方法，包括以下具体步骤：步骤1获取目标神经系统的神经连接组数据，并根据神经元之间的结构连接关系构建神经网络拓扑结构：所述神经连接组数据来源于电子显微镜重建、神经连接组数据库或其他神经结构测量技术，根据神经元之间的化学突触连接、电突触连接以及连接强度信息建立网络连接矩阵，使模型保留真实神经系统的结构特征；步骤2为网络中的神经元配置神经动力学模型：所述神经动力学模型采用hodgkin-huxley模型、leakyintegrate-and-fire模型、morris-lecar模型、多区室神经元模型或其他能够描述神经活动动力学特征的模型，用于描述神经元膜电位及离子通道状态随时间的动态变化过程，通过神经元动力学模型与连接组拓扑结构的结合构建具有生物学约束的神经网络仿真系统；步骤3通过外部感觉刺激、环境输入信号或任务驱动信号对神经网络进行激活：使神经元产生动态响应，获得网络运行过程中神经元活动状态、突触活动状态以及网络输出结果，神经网络在运行过程中根据神经元之间的活动相关性计算局部可塑性痕迹，用于表征突触连接在一定时间窗口内的历史活动信息和潜在可塑性变化趋势；步骤4根据任务目标、环境反馈、行为奖励、预测误差或输出误差信息生成全局调制信号：所述全局调制信号反映当前网络输出结果与目标状态之间的差异程度，作为网络学习过程中的调控因子参与突触参数更新，将全局任务信息引入突触可塑性过程，使网络能够根据任务执行结果调整学习方向；步骤5采用三因子学习机制对神经网络参数进行优化：将局部可塑性痕迹作为突触更新的基础依据，利用全局调制信号对其进行调制，从而计算各突触连接的权重变化量，使突触参数更新同时受到局部神经活动和全局任务目标的共同影响，兼具生物合理性和任务导向能力；步骤6将更新后的突触权重重新作用于神经网络模型并继续进行神经动力学仿真：上述过程循环迭代执行，使网络连接参数及相关动力学参数根据环境输入和任务需求持续进行自适应调整，最终获得满足目标任务要求的优化网络状态。

3、优选的，所述步骤1中神经连接组数据包括化学突触连接信息和电突触连接信息，其中化学突触连接包含突触类型、突触强度和神经递质类型等属性，电突触连接包含连接电阻和电导特性等属性，根据所述连接信息建立的网络连接矩阵维度为n乘以n，n为神经网络中神经元的数量。

4、优选的，所述步骤2中神经动力学模型采用hodgkin-huxley模型时，包含钠离子通道电导、钾离子通道电导、泄漏通道电导、钠离子 reversal potential、钾离子 reversalpotential和泄漏 reversal potential等参数，模型通过四阶龙格库塔法或自适应步长积分方法进行数值求解，时间步长设定为预设的时间精度范围。

5、优选的，所述步骤2中神经动力学模型采用多区室神经元模型时，神经元被建模为soma 区室、树突区室和轴突区室的组合，各区室之间通过区室间电阻进行连接，膜电容参数设定为预设的膜电容值，轴向电阻参数设定为预设的轴向电阻值。

6、优选的，所述步骤3中局部可塑性痕迹的计算采用时间窗口方法，时间窗口宽度设定为预设的时间窗口范围内，具体计算方式为对突触前神经元活动和突触后神经元活动在时间窗口内的相关性进行积分，积分结果经过非线性变换后得到可塑性痕迹值。

7、优选的，所述步骤3中局部可塑性痕迹的计算还可采用基于突触前后神经元spike timing 的差值方法，当突触前神经元 spike 早于突触后神经元 spike 时产生增强可塑性痕迹，当突触前神经元 spike 晚于突触后神经元 spike 时产生减弱可塑性痕迹，时间差阈值设定为预设的时序差异阈值范围内。

8、优选的，所述步骤4中全局调制信号的生成根据任务类型采用不同方式：对于强化学习任务，调制信号由奖励函数计算得到，奖励值经过时序差分算法处理后产生调制信号；对于监督学习任务，调制信号由网络输出与目标标签之间的误差经过误差缩放和归一化处理后得到；对于无监督学习任务，调制信号由预测误差或重建误差经过自适应增益调节后得到。

9、优选的，所述步骤5中三因子学习规则的数学表达为：突触权重变化量等于全局调制信号乘以局部可塑性痕迹再乘以学习率，其中学习率设定为预设的学习率范围，权重变化量经过上限和下限约束后应用于突触权重更新，权重上限设定为原始权重的预设倍数范围，权重下限设定为预设的最小权重值。

10、优选的，除突触连接权重外，还对神经动力学模型中的参数进行优化，包括神经元膜电导参数、离子通道参数、时间常数参数以及神经元兴奋性参数，对连接参数和动力学参数采用协同优化策略，每次迭代过程中先更新突触权重再更新动力学参数，或采用交替更新方式。

11、优选的，所述步骤6中迭代过程的终止条件包括：网络输出与目标输出之间的误差低于预设误差阈值、连续多次迭代误差改善量低于预设改善阈值、迭代次数达到预设迭代上限或达到预设训练时长。

12、与现有技术相比，本发明具有如下有益效果：

13、本发明利用真实神经连接组数据构建网络拓扑结构，使模型能够保留神经系统的结构特征，提高神经系统建模的真实性和可解释性，为神经科学研究提供更精确的计算模型。

14、本发明引入局部可塑性机制和全局调制机制，实现神经网络连接参数的在线更新，使模型具备持续学习和环境适应能力，更接近真实生物神经系统的学习过程，能够根据环境变化动态调整网络连接强度。

15、本发明采用基于三因子学习规则的参数优化方法，无需依赖完整的误差反向传播过程，降低了大规模神经动力学模型训练过程中的计算资源消耗和存储开销，使得对包含特定规模神经元的大规模网络进行长时间仿真成为可能。

16、本发明实现了神经连接组结构约束、神经动力学建模以及可塑性学习机制的统一融合，提高了模型的生物合理性和任务学习能力，兼顾了结构真实性、生物合理性、学习能力以及计算效率。

17、本发明能够应用于秀丽隐杆线虫、果蝇、哺乳动物脑区等不同尺度神经系统的建模与优化，可广泛应用于神经系统数字孪生、生物神经网络仿真、神经形态计算及智能控制等领域，为类脑智能研究和脑疾病机制探索提供新的工具和方法。