Brian2学习教程——Intro to Brian part 2: Synapses【补充】STDP

前言：

在学习brian2中，最后一部分历程模拟了STDP突触模型。在阅读相关文献中了解到脉冲时间依赖可塑性（STDP，Spike Timing Dependent Plasticity)属于一种非监督学习机制。

• 最初Hebbian提出：

1. 当两个位置上临近的神经元，在放电时间上也相近时，之间很有可能形成突触；
2. 若突触能持续引起突出后神经元产生动作电位，则该突触强度会有所增加。

 STDP 为脉冲时间编码信息的假说提供了实验基础，强调了发放时序不对称的重要性，扩展了 Hebb 学习理论的空间。

1. 若突触后神经元在突出信息未到达之前产生脉冲，则两个神经元之间的突触权值会减弱；
2. 反之，突触后神经元在突出信息未到达之后产生脉冲，则两个神经元之间的突触权值会加强。

两者的定义具体可参考文献：脉冲神经网络的监督学习算法研究综述

STDP算法具体可参考百度文库：STDP学习机制

---

本文主要想说明在实验中发现，更改神经元数目时，对应输出曲线有所变化。当神经元数目越多，左右两只曲线越逼近指数函数，而当神经元数目较少时，曲线不那么平滑，两只曲线的连接线斜率也更小。

from brian2 import *
start_scope()

taupre = taupost = 20*ms
Apre = 0.01
Apost = -Apre*taupre/taupost*1.05
tmax = 50*ms
N = 100

# Presynaptic neurons G spike at times from 0 to tmax
# Postsynaptic neurons G spike at times from tmax to 0
# So difference in spike times will vary from -tmax to +tmax
G = NeuronGroup(N, 'tspike:second', threshold='t>tspike', refractory=100*ms)
H = NeuronGroup(N, 'tspike:second', threshold='t>tspike', refractory=100*ms)
G.tspike = 'i*tmax/(N-1)'
H.tspike = '(N-1-i)*tmax/(N-1)'

S = Synapses(G, H,
             '''
             w : 1
             dapre/dt = -apre/taupre : 1 (event-driven)
             dapost/dt = -apost/taupost : 1 (event-driven)
             ''',
             on_pre='''
             apre += Apre
             w = w+apost
             ''',
             on_post='''
             apost += Apost
             w = w+apre
             ''')
S.connect(j='i')

run(tmax+1*ms)

plot((H.tspike-G.tspike)/ms, S.w)
xlabel(r'$\Delta t$ (ms)')
ylabel(r'$\Delta w$')
axhline(0, ls='-', c='k');

当神经元数目N = 100，输出如图1，而N = 6，输出如图2。

回顾STDP，难道说该函数曲线本身是一个概率曲线吗？希望能深入了解一下。