学习与脉冲共舞：脉冲储备池计算中无监督可塑性规则的表征、预测与设计

脉冲储备池计算以及更广义的储备池计算，是一种面向神经形态和生物学应用的强大且高效的框架，其核心是由一个固定的随机储备池驱动经训练的读出层。该框架的性能在很大程度上取决于储备池的初始化，因此，通过引入自适应的无监督可塑性规则来增强储备池，是解决这一局限性的自然方案。然而，目前尚不清楚哪些规则有效、其原因何在，以及如何在无需进行穷尽且代价高昂的搜索的情况下，为特定任务找到最合适的规则。在本研究中，我们在一个具有可塑性的脉冲储备池网络中学习玩雅达利游戏《乒乓》（Pong）。我们系统地刻画了一大类在先前研究中通过元学习得到的局部可塑性规则。随后，我们表明，这些规则的性能具有可预测性和结构性：高得分规则的特征包括，对编码球轨迹的神经元与编码背景的神经元进行显著区分；权重动态稳定；以及读出层在时间上的一致性对齐。这些机制特征并非特定于某一任务，而是能够迁移至延迟匹配识别任务。仅凭规则参数即可估计规则性能。最后，以高得分作为条件进行基于模拟的推断（SBI），使我们能够直接从规则空间中具有潜力的区域进行采样，从而发现性能超过先验分布中已有规则的规则，并揭示稳定且高性能的配置。总体而言，这些结果在实现与经典储备池计算相当的性能的同时，也以透明且可解释的方式阐明了何种因素使一种可塑性规则适用于神经形态硬件和生物计算。

脉冲储备池计算，以及更一般意义上的储备池计算，是一种强大且高效的神经形态与生物应用框架，其中固定的随机储备池驱动经过训练的读出层。其性能在很大程度上取决于储备池的初始化，因此，通过引入自适应的无监督可塑性规则来增强储备池，是解决这一局限的自然方案。然而，目前尚不清楚哪些规则有效、其原因何在，以及如何在无需进行穷举式高成本搜索的情况下，为特定任务找到最合适的规则。在本研究中，我们在一个具有可塑性的脉冲储备池网络中学习玩雅达利游戏《乒乓》（Pong）。我们系统地刻画了一大类局部可塑性规则，这些规则在先前研究中通过元学习获得。随后，我们表明，这些规则的性能具有可预测性和结构性：高得分规则的特征在于，对编码球运动轨迹的神经元与编码背景的神经元进行显著区分，同时具有稳定的权重动态，以及随时间保持一致的读出对齐。这些机制特征并非任务特异性的，并且能够迁移至延迟匹配识别任务。仅凭规则参数即可估计规则性能。最后，以高分作为条件进行基于模拟的推断（SBI），使我们能够直接从规则空间中具有潜力的区域采样，从而发现性能超越先验分布中已有规则的新规则，并揭示稳定且高性能的配置。总体而言，这些结果在性能上可与经典储备池计算相媲美，同时也对可塑性规则为何适用于神经形态硬件和生物计算提供了透明且可解释的说明。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.15.751573v1?rss=1

🏷️ 脉冲储备池计算 无监督可塑性 神经形态计算 局部学习规则 模拟推断