Научный семинар: "Понимание динамики обучения CoLaN-ET с помощью ее упрощенной модели"

Докладчики: Клиньшов В.В. в.н.с., ЛТМД – НИУ ВШЭ Нижний Новгород; Франович И., проф. ИФБ, Белград, Сербия.

Обучение сложных, биологически правдоподобных импульсных нейронных сетей (SNN) с локальными правилами обучения представляет собой серьезную проблему для теоретического анализа. В данной работе мы решаем эту проблему, разрабатывая комплексную аналитическую теорию динамики обучения CoLaNET, недавно предложенной столбчатой ​​SNN. В частности, мы рассматриваем упрощенную модель, которая отражает основную алгоритмическую логику процесса обучения CoLaNET. Мы выводим выражения в аналитической форме, которые точно предсказывают количество возникающих микроколонок, полную временную эволюцию синаптических весов и кривую обучения модели. Наши теоретические предсказания демонстрируют превосходное количественное согласие с численным моделированием упрощенной модели и успешно отражают качественное поведение полной импульсной CoLaNET. Более того, наш анализ показывает, что асинхронная конкуренция, основанная на импульсах, в полной модели задерживает специализацию нейронов и замедляет процесс обучения по сравнению с ее упрощенным аналогом. В этой работе представлена ​​масштабируемая теоретическая основа для понимания и настройки биологически вдохновленных нейронных сетей (SNN), а также подчеркивается ключевое отличие, обусловленное динамикой на основе спайков.

Goryunov, O. A., Maslennikov, O. V., Kiselev, M. V., Franović, I., & Klinshov, V. V. (2026). Understanding the training dynamics of CoLaNET by its simplified model. Chaos, Solitons & Fractals, 203, 117663.