Детальная информация

Работа посвящена разработке спайковой нейронной сети с биологически правдоподобным астроцитарным слоем (архитектура ACM-SNN) и исследованию влияния астроцитарной динамики на обучение и удержание контекста. Спроектирован и реализован на PyTorch прототип сети с LIF-нейронами, синапсами AMPA и GABA, кальциевой динамикой астроцитов, щелевыми контактами и правилом STDP; архитектура расширена mGluR-кинетикой и Ca-зависимой проводимостью щелевых контактов. Методом количественной декомпозиции вклада механизмов установлено, что мультипликативная модуляция весов сама по себе не улучшает стандартные метрики, тогда как медленная кальциевая динамика формирует контекстные сигнатуры задач и удерживает мультизадачную информацию при непрерывном обучении. Из проведенного в данной  работе исследования видно, что астроцитарная динамика служит механизмом удержания контекста, но эффект определяется медленной интеграцией активности, а не модуляцией веса.

The work is devoted to the development of a spiking neural network with a biologically plausible astrocyte layer (the ACM-SNN architecture) and to the study of the influence of astrocyte dynamics on learning and context retention. A network prototype with LIF neurons, AMPA and GABA synapses, astrocyte calcium dynamics, gap junctions, and the STDP learning rule was designed and implemented in PyTorch; the architecture was extended with mGluR kinetics and calcium-dependent gap junction conductance. Using quantitative decomposition of the contribution of individual mechanisms, it was established that multiplicative weight modulation by itself does not improve standard metrics, whereas the slow calcium dynamics form contextual task signatures and retain multi-task information during continual learning. The hypothesis is partially confirmed: astrocyte dynamics serve as a mechanism for context retention, but the effect is determined by the slow integration of activity rather than by weight modulation.