类型b

这篇综述文章由Matthieu Gilson、Anthony Burkitt和J. Leo van Hemmen撰写，分别来自澳大利亚墨尔本大学、Bionic Ear研究所、NICTA Victoria研究实验室以及德国慕尼黑工业大学。文章发表在2010年9月的《Frontiers in Computational Neuroscience》期刊上。

本文的主题是回顾性地讨论尖峰时间依赖可塑性（Spike-Timing-Dependent Plasticity, STDP）在递归连接神经元网络中的作用，并聚焦于权重动态与网络结构出现之间的关系。作者们详细比较了单一神经元输入连接和递归连接中突触权重演化的异同。

主要观点一：STDP的基本概念及其对神经元连接的影响 STDP是一种根据前突触和后突触动作电位的时间差来调节突触强度的学习规则。它能够通过输入选择性和输出放电率的调节实现稳定性（Gerstner et al., 1996; Kempter et al., 1999）。STDP可以导致输入特异性基于毫秒级的动作电位时间相关性，即尖峰时间相关性。为了实现这一点，STDP通过强制稳定平均传入突触权重，在既不静止也不饱和的状态下调节输出放电率，从而建立一种稳态平衡（Kempter et al., 2001）。此外，适当的权重专业化需要STDP在个体权重之间生成竞争（Kempter et al., 1999; Van Rossum et al., 2000; Gütig et al., 2003）。例如，对于几个相似的输入路径，期望的结果是权重选择对应于功能输入池之间的分裂，而非内部分裂，从而打破初始均质权重分布的对称性（Kempter et al., 1999; Song and Abbott, 2001; Gütig et al., 2003; Meffin et al., 2006）。支持这一观点的证据包括多个实验和理论研究，这些研究表明STDP能够在不同输入路径之间进行有效选择和权重分配。

主要观点二：递归网络中的权重动态 在递归网络中，学习动力学会使突触权重增强或减弱。因此，STDP可以导致依赖外部输入的相关结构和网络活动的网络结构演变。特别地，作者引用了一系列分析工作（Gilson et al., 2009a–c, 2010），以说明理论如何应用于相应的网络配置。他们使用了一个包含两个关键特征的STDP模型：相对尖峰时间的时间不对称学习窗口W（Gerstner et al., 1996; Markram et al., 1997; Kempter et al., 1999）和当前突触权重的强度（Bi and Poo, 1998; Van Rossum et al., 2000; Gütig et al., 2003; Morrison et al., 2007; Gilson et al., 2010）。此外，一些研究还包括基于速率的项Win和Wout，即每次前突触和后突触尖峰时权重的变化（Sejnowski, 1977; Bienenstock et al., 1982）。这种选择导致了一种综合形式的突触可塑性，结合了单个尖峰和尖峰对的变化（Van Hemmen, 2001; Gerstner and Kistler, 2002）。支持这一观点的理论包括多个数学模型和模拟结果，展示了递归网络中权重动态的复杂性。

主要观点三：STDP对网络结构和功能的影响 STDP不仅影响单个神经元的输入选择性，还影响递归网络中的连接结构。在达到稳态平衡后，尖峰时间相关性成为学习动力学方程中的主导项，从而决定后续的权重专业化。突触权重的分裂规则是在达到稳态平衡后，具有较大系数的突触将被增强，而其他突触则被削弱（Gilson et al., 2009a）。典型的相关图如图4b,c所示。支持这一观点的证据包括多个实验和理论研究，这些研究表明STDP能够通过输入和递归连接的有效权重竞争实现网络结构的自组织（Gilson et al., 2009d）。此外，延迟差异Δdij对STDP引起的输入和递归权重的动态演化有显著影响（Gilson et al., 2010）。

主要观点四：STDP在更复杂的输入结构中的应用 当考虑更复杂的输入结构，如振荡尖峰活动时，STDP同样能够有效地塑造突触路径并实现输入选择性。例如，当两个输入路径具有相似的相关强度时，加法类STDP能够诱导足够的竞争，导致胜者通吃的情况，其中只有一个池被选择（Song and Abbott, 2001; Gütig et al., 2003）。支持这一观点的证据包括多个实验和理论研究，这些研究表明STDP能够在不同输入路径之间进行有效选择和权重分配。此外，当输入和递归连接都具有可塑性时，可以同时实现输入选择性和递归连接的专业化（Gilson et al., 2010）。

意义和价值 本文通过详细回顾STDP在递归连接神经元网络中的作用，为理解神经网络结构的出现提供了重要的理论基础。这些研究不仅有助于揭示大脑中突触可塑性的基本机制，还为开发更高效的神经网络模型和机器学习算法提供了启示。STDP的研究成果在神经科学领域具有重要的科学价值和应用潜力，特别是在信息编码和处理方面。