Аннотация результатов, полученных в 2024 году
На отчетном этапе проекта были разработаны биологически релевантные модели спайковых нейронных сетей с синаптической пластичностью и астроцитарной регуляцией синаптической передачи и пластичности. Было проведено исследование влияния классической пластичности Хебба (STDP) в тормозных синапсах на динамические режимы нейронной активности в присутствии астроцитарной регуляции. Было получено, что при отсутствии такой пластичности связи между этими нейронами переводят динамику сети в режим пачек, что наблюдается во многих экспериментальных нейробиологических исследованиях при изучении живых сетей в нейронных культурах. Было показано, что замена синаптической пластичности в тормозных синапсах мемристивной пластичностью позволяет наблюдать схожие эффекты в такой системе. Мемристивная пластичность, реализующая синаптическую пластичность в тормозных синапсах, приводит к сдвигу динамики сети в сторону асинхронного режима, также как и классическая пластичность Хебба. Было обнаружено, что учет астроцитарной регуляции в глутаматергических возбуждающих синапсах позволяет восстановить «нормальную» динамику пачек. Были определены условия и параметры влияния такой астроцитарной регуляции на динамику пачек. Для разработки алгоритмов обучения спайковых нейрон-астроцитарных многослойных сетей было исследовано влияние синаптической пластичности (STDP) на возбуждающих и тормозных синапсах на формирование признакового пространства входного изображения на возбуждающих и тормозных слоях нейронов спайковой нейронной сети. Была построена модель спайковой неронной сети с возбуждающими и тормозными слоями нейронов с адаптацией синаптических контактов за счет синаптической пластичности. Были рассмотрены различные конфигурации модели с синаптической пластичностью для задачи формирования признакового пространства входного изображения на возбуждающих и тормозных слоях нейронов, а также проведено их сравнение. Было показано, что синаптическая пластичность в тормозных синапсах ухудшает формирование признакового пространства изображения для задачи классификации. Также получены ограничения модели и выбрана лучшая конфигурация модели. Разработана модель STDP, предусматривающая влияние глии и внеклеточного матрикса, позволяющая эффективно устанавливать и поддерживать относительную фазу спайков в моделях нейронов Ходжкина-Хаксли, обеспечивая формирование необходимых спайковых паттернов. Была разработана новая модель сетевого взаимодействия между нейронами и астроцитами при наличии синаптической пластичности. Было изучено, как астроцитарная модуляция синаптической пластичности влияет на чувствительность синапсов к пространственно-временным паттернам. Было получено, что астроцитарная модуляция STDP усиливает синаптическую чувствительность к пространственно-временным паттернам, улучшая кодирование информации, необходимое для обучения и памяти. Эта модуляция также помогает поддерживать синаптический гомеостаз, предотвращая нестабильность сети. Точно контролируя высвобождение глиотрансмиттера, астроциты поддерживают временную и пространственную специфичность синаптической пластичности, способствуя сложным когнитивным функциям. Понимание этой связи между астроцитами и STDP открывает новые возможности для понимания обработки информации мозгом и стабильности нейронной сети. Было исследовано влияние астроцитарной регуляции на кодирование спайкойвой нейронной сетью 2D-изображений в виде пространственно-временного паттерна спайков. Было получено, что астроцитарная регуляция синаптической передачи в такой сети позволяет подавлять гипервозбуждение и формирование нерегулярной пачечной динамики в ответ на сенсорный стимул. Результаты исследований также были освещены в СМИ: https://neuronovosti.ru/v-nejronnuyu-set-udalos-vstroit-funktsiyu-tormozheniya/ https://nauka.tass.ru/nauka/20937523 https://scientificrussia.ru/articles/v-nejronnuu-set-udalos-vstroit-funkciu- tormozenia https://poisknews.ru/biofizika/funkcziya-tormozheniya-ee-udalos-vstroit-v-mo del-imitiruyushhuyu-sinaps-v-mozge-cheloveka/ https://iz.ru/1703273/mariia-nediuk/memristor-iks-neironnuiu-set-nauchili-im itirovat-rabotu-mozga https://nn.mk.ru/science/2024/06/07/robot-s-iskusstvennym-mozgom-vozmozhno-l i-eto.html https://indicator.ru/biology/v-neironnuyu-set-udalos-vstroit-funkciyu-tormoz heniya-29-05-2024.htm https://inscience.news/ru/article/russian-science/16089 https://xn--80aa3ak5a.xn--p1ai/news/neyronnuyu-set-obuchili-imitirovat-rabot u-mozga/ https://ai-news.ru/2024/06/memristor_iks_nejronnuu_set_nauchili_imitirovat_r abotu_mozga.html

Аннотация результатов, полученных в 2025 году
На 3 этапе исследования были посвящены разработке и анализу биологически правдоподобных спайковых нейронных сетей (СНС) для реализации ассоциативной памяти и решения задач классификации. Основное внимание уделялось изучению влияния многослойной архитектуры на механизмы кодирования информации, а также сравнительному анализу предложенных моделей с существующими аналогами. Была доработана многослойная СНС на базе модели Ходжкина-Хаксли-Майнена (HHM). Архитектура сети включает четыре функциональных слоя: опорный осциллятор (RN), сенсорный слой (SN), слой интернейронов (IN) и слой контрольных нейронов (CN). Как было показано, такая конфигурация способна реализовать ассоциативную память с Хеббовской пластичностью. Исследование продемонстрировало, что предложенная многослойность позволяет эффективно разделять функции кодирования и обработки информации. Сенсорный слой осуществляет первичное фазовое кодирование относительно глобального ритма, задаваемого опорным нейроном RN. Слой интернейронов выполняет фазовое кодирование и «контекст-зависимую» фильтрацию путей распространения сигналов, где вход определяется знаком синаптической связи (возбуждающей или тормозной). Выходной слой CN реализует фазовый аналог векторно-матричного умножения, лежащего в основе ассоциативного извлечения паттерна. Критически важным результатом является демонстрация того, что фазовое кодирование на промежуточном слое может быть настроено так, что разность фаз между состояниями, индуцированными возбуждающим и тормозным входом, стабильно составляет половину периода при пренебрежимо малой дисперсии. Это обеспечивает робастное двоичное кодирование, устойчивое к вариациям амплитуды и частоты. Параметрический анализ межслойных взаимодействий (RN-SN, RN-SN-IN, IN-CN) позволил идентифицировать рабочие режимы, гарантирующие устойчивый режим захвата фазы и выполнение требуемых логических операций. В частности, для полного функционального контура RN-SN-IN-CN были найдены области параметров, в которых фаза выходного нейрона CN относительно RN корректно отражает результат булева умножения для всех возможных комбинаций знаков входных связей. Это подтверждает возможность реализации ассоциативного извлечения из памяти на основе исключительно фазовых соотношений в сети биологически правдоподобных осцилляторов. Апробация архитектуры была проведена на задачах восстановления искаженных бинарных образов и классификации изображений базы MNIST. Модель продемонстрировала способность к корректному восстановлению синтетических зашумленных паттернов, причем выходной фазовый паттерн после декодирования полностью соответствовал аналитическому решению, предоставляемому классической Хеббовской моделью. В экспериментах с изображениями MNIST, подвергнутыми искажениям до 60%, была показана высокая устойчивость модели. Корреляция Пирсона между восстановленным и целевым паттерном сохранялась на уровне около 90%, в то время как сходство с ближайшим неверным образом не превышало 50%. Это свидетельствует о существовании обширных и изолированных бассейнов притяжения в фазовом пространстве сети для хранимых образцов. Здесь важно отметить, что точность восстановления изображений почти никогда не достигает 100%. Это подтверждает, что ассоциативная память на основе классической сети Хопфилда, реализующая фундаментальные физиологические принципы обучения, эффективно хранит и восстанавливает изображения, но не работает как высокопроизводительный классификатор (например, сверточная нейронная сеть). Анализ вычислительной сложности подтвердил практическую реализуемость подхода, хотя и с большими временными затратами по сравнению с формальными нейросетями, что компенсируется нейробиологической релевантностью и потенциальной энергоэффективностью аналоговой реализации. Отдельно исследовалась модель СНС на нейронах Ижикевича, дополненная синаптической пластичностью STDP и механизмом адаптивной перестройки связей. Показано, что данный протокол приводит к консолидации следов памяти и формированию хаб-нейронов, стабилизирующих паттерны популяционной активности. Ключевым результатом является достижение режима консолидации памяти при определенных уровнях внутреннего шума, что на несколько порядков увеличивает время устойчивого хранения информации по сравнению с сетями, использующими только STDP. Была разработана и протестирована нейрон-астроцитарная сеть для классификации изображений. Модель включала слои возбуждающих и тормозных нейронов с латеральным торможением, синаптической пластичностью STDP, а также модуляцию синаптической передачи со стороны астроцитов. Результаты показали, что астроцитарная регуляция повышает точность классификации как на обучающей, так и на тестовой выборках, усиливая функциональную связь между возбуждающими и тормозными ансамблями. Было выявлено, что точность классификации изображений растет по мере увеличения влияния астроцитов на глутаматергические синапсы и постепенно достигает стационарного уровня. Проведенное сравнение предложенных моделей с существующими аналогами, включая сети Хопфилда, осцилляторные сети Курамото и стандартные СНС, выявило их конкурентные преимущества. Основным достоинством является высокая биологическая правдоподобность, обеспечиваемая использованием полной динамики HHM-нейронов и фазового кодирования с глобальной синхронизацией. Архитектура с «контекст-зависимой» фильтрацией на слое IN позволяет селективно активировать подмножества Хеббовской матрицы в зависимости от входного стимула, что минимизирует число путей передачи сигнала без потери информации. По максимальной ёмкости памяти и устойчивости к шуму модель превосходит классические осцилляторные сети и тривиальные СНС, приближаясь по последнему показателю к сверточным сетям, но за счет принципиально иного механизма формирования крупных аттракторов в фазовом пространстве. Модель с адаптивной перестройкой связей показала исключительную эффективность в консолидации памяти, значительно увеличивая ее надежность по сравнению со стандартными STDP-механизмами.