🧠 neuroscience

Inhibitory budget matching constrains homeostatic plasticity in competitive spiking networks

Dit artikel toont aan dat in competitieve spikende netwerken het vervangen van vaste laterale inhibitie door plastische homeostatische regels een "inhibitory budget matching"-beperking vereist om de totale inhibitoire drive te conserveren, een principe dat de netwerkstabiliteit waarborgt en de leerprestaties behoudt terwijl het lokale inhibitoire gewichten toestaat te adapteren.

Oorspronkelijke auteurs: Musacchio, F., Fuhrmann, M.

Gepubliceerd 2026-10-02

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Musacchio, F., Fuhrmann, M.

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

In de hersenen werken neuronen niet in isolatie; ze vormen uitgestrekte, dynamische netwerken waar excitatie en inhibitie in een delicaat evenwicht moeten blijven. Excitatoire neuronen vuren om informatie te dragen, terwijl inhibitoire neuronen fungeren als remmen die voorkomen dat het systeem in chaos vervalt. Decennialang hebben computerwetenschappers die kunstmatige neurale netwerken bouwden om deze biologische intelligentie na te bootsen, vertrouwd op een vereenvoudigd model: ze lieten de excitatoire neuronen leren en zich aanpassen, maar hielden de inhibitoire verbindingen vast en onveranderlijk. Deze aanpak werkt goed bij het aanleren van patronen aan machines, zoals handgeschreven cijfers, maar negeert een fundamentele waarheid van de biologie. In echte hersenen zijn inhibitoire verbindingen even plastisch als excitatoire verbindingen; ze versterken en verzwakken in de loop van de tijd om stabiliteit te handhaven. De vraag waar onderzoekers lang voor gestreden hebben, is of een kunstmatig netwerk kan overleven als we die vaste, onveranderlijke remmen vervangen door levende, lerende remmen. Als de remmen zichzelf aanpassen, blijft de auto dan op de weg, of stort hij neer?

Een team onderzoekers van het Duitse Centrum voor Neurodegeneratieve Ziekten zette zich in om dit te beantwoorden door een competitief spikend netwerk te bouwen, een type kunstmatig brein dat ontworpen is om zonder toezicht te leren. Ze trainden dit netwerk op een standaard set van 28-bij-28 pixels afbeeldingen van handgeschreven cijfers, een taak die bekend staat als MNIST. In hun opstelling ontving het netwerk deze afbeeldingen als stromen elektrische spikes, vergelijkbaar met hoe de hersenen visuele gegevens verwerken. De excitatoire neuronen concurreerden om te reageren op specifieke patronen, waarbij ze hun verbindingen met de input versterkten wanneer ze als eerste vuurden. Om deze competitie eerlijk te houden en te voorkomen dat een paar neuronen het hele netwerk zouden domineren, introduceerden de onderzoekers een inhibitoire populatie. In de traditionele versie van dit model waren de verbindingen van de inhibitoire neuronen naar de excitatoire neuronen hard-coded en veranderden ze nooit. De onderzoekers wilden zien wat er zou gebeuren als ze die inhibitoire verbindingen lieten veranderen op basis van de activiteit van het netwerk, het nabootsen van de plasticiteit die in de menselijke cortex wordt gevonden.

Het team testte verschillende regels voor hoe deze inhibitoire verbindingen zouden moeten veranderen. Eén regel was gebaseerd op de precieze timing van de spikes, een methode die eerder is aangetoond de activiteit in andere soorten netwerken te balanceren. Een andere regel was trager en paste de inhibitie aan op basis van de gemiddelde vuursnelheid over een langere periode. Ze testten ook een nieuwe aanpak die een strikte beperking toevoegde: een "budget" dat de totale hoeveelheid inhibitoire kracht beperkte die een enkel excitatoir neuron kon ontvangen. De resultaten toonden aan dat het simpelweg plastisch maken van de inhibitie niet genoeg was om stabiliteit te garanderen. Wanneer de onderzoekers de timing-gebaseerde regel gebruikten, bleef het netwerk vaak stabiel, maar het was fragiel; kleine veranderingen in de begincondities of de leersnelheid zorgden ervoor dat het systeem faalde, waarbij neuronen ongecontroleerd vuurden en het netwerk instortte. De tragere, op de vuursnelheid gebaseerde regel presteerde beter en voltooide de training in de meeste van hun testruns, maar had nog steeds moeite wanneer de totale hoeveelheid inhibitie te ver afdrift van het ideale niveau.

De doorbraak kwam toen de onderzoekers de budgetbeperking afdwongen. Ze ontdekten dat voor het netwerk om stabiel te blijven tijdens het leren, de totale inhibitoire kracht die aan elk neuron werd geleverd binnen een specifieke reeks moest blijven, passend bij de sterkte van de vaste verbindingen die in de succesvolle baseline-modellen werden gebruikt. Wanneer ze dit budget op de juiste waarde instelden, leerde het netwerk net zo goed als de vaste versie, met een nauwkeurigheid van ongeveer 83,5 procent op de taak van cijferherkenning. De neuronen ontwikkelden duidelijke voorkeuren voor verschillende cijfers en het netwerk bleef kalm en georganiseerd tijdens de training. Echter, wanneer ze het budget verdubbelden, waardoor er twee keer zoveel inhibitoire kracht beschikbaar kwam, faalde het netwerk in elke enkele poging. De neuronen vuurden zo snel dat het systeem bijna onmiddellijk crashte. Dit toonde aan dat de stabiliteit van het netwerk niet alleen afhing van de lokale leerregel, maar van een globale beperking die de totale competitieve druk constant hield.

De studie suggereert dat je in competitieve leersystemen niet simpelweg vaste verbindingen kunt vervangen door plastische verbindingen zonder de algehele sterkte van de competitie te beheren. De onderzoekers hebben aangetoond dat inhibitoire plasticiteit de vaste inhibitie kan vervangen, maar alleen als het systeem wordt gestuurd door een regel die de totale inhibitoire drive conserveert. Deze bevinding biedt een praktisch ontwerpprincipe voor het bouwen van meer biologisch realistische kunstmatige breinen. Het impliceert dat voor een netwerk om effectief te leren zonder uit elkaar te vallen, een mechanisme nodig is dat de individuele verbindingen toestaat zich aan te passen terwijl de totale kracht van de inhibitie stabiel blijft. Zonder deze conservering verliest het netwerk zijn balans, wat bewijst dat in de complexe dans van neurale competitie de totale sterkte van de remmen net zo belangrijk is als hoe ze worden toegepast.

Technische Samenvatting: Inhibitorisch Budget-Matching Beperkt Homeostatische Plasticiteit in Competitieve Spiking Netwerken

Probleemstelling
Competitieve spiking neurale netwerken (SNN's), zoals de invloedrijke Diehl–Cook-architectuur, vertrouwen op lokale spike-timing-dependent plasticity (STDP) bij feedforward excitatoire synapsen om sensorische representaties te vormen. In deze modellen wordt competitie tussen excitatoire neuronen doorgaans afgedwongen door een vast zijdelings inhibitoir circuit. Hoewel biologisch plausibele inhibitoire synapsen plastisch zijn en bijdragen aan de excitatie–inhibitie (E-I) balans, houden de meeste SNN-implementaties het competitieve circuit vast voor computationeel gemak. Het blijft onduidelijk of biologisch gemotiveerde inhibitoire plasticiteitsregels de vaste zijdelingse inhibitie in competitieve STDP-netwerken kunnen vervangen zonder de representatie-lering te verstoren of netwerkinstabiliteit (bijv. runaway-activiteit of stille instorting) te veroorzaken. De kernvraag is of lokale homeostatische inhibitoire updates alleen voldoende zijn om competitie te stabiliseren, of dat er aanvullende globale beperkingen vereist zijn.

Methodologie
De auteurs onderzochten deze vraag met behulp van een competitief spiking netwerk getraind op de MNIST-dataset. Het netwerk bestond uit een inputpopulatie (Poisson-gecodeerde MNIST-afbeeldingen), een excitatoire populatie en een inhibitoire populatie.

Baseline: Een standaard Diehl–Cook opstelling met vaste inhibitoire gewichten ( $W_{IE}$ ) en plastische feedforward gewichten ( $W_{XE}$ ) met behulp van STDP.
Geteste Plasticiteitsregels: De studie vergeleek drie inhibitoire plasticiteitsmechanismen met de vaste baseline:
1. Vogels-stijl iSTDP: Een spike-timing-dependent regel aangepast van Vogels et al. [10], die inhibitie versterkt op basis van pre-post coïncidentie en het verzwakt op basis van een doel-offset.
2. Trage Homeostatische Inhibitie: Een regel die inhibitoire gewichten aanpast op basis van afwijkingen in de stimulusschaal ten opzichte van een doel-vuuringssnelheid, waarbij snelle spike-coïncidentie versterking wordt verwijderd.
3. Budget-beperkte Trage Homeostase: De trage homeostatische regel gevolgd door een kolom-wijze normalisatiestap die een vast totaal inhibitoir budget ( $B_I$ ) afdwingt per excitatoir neuron.
Experimenteel Ontwerp: De auteurs brachten eerst de stabiliteit van het vaste-inhibitie regime in kaart over input-gain ( $g$ ) en inhibitoire sterkte ( $w_{IE}$ ) om een stabiel referentie-werkpunt te identificeren ( $g=2.0, w_{IE}=10.0$ ). Vervolgens testten zij de plasticiteitsregels binnen dit referentie-regime en over parametergrids (leersnelheden, doel-offsets en budgetwaarden). Stabiliteit werd gedefinieerd als het vermogen om 30.000 trainingsvoorbeelden te voltooien zonder runaway-activiteit (>5000 spikes/afbeelding) of stille instorting te triggeren. Prestaties werden gemeten via post-hoc classificatienauwkeurigheid en neuron-gebruiksentropie.

Belangrijkste Resultaten

Gevoeligheid van het Fixed-Inhibition Regime: Stabiliteit in de vaste inhibitoire baseline was niet gegarandeerd; het hing gezamenlijk af van de input-gain en de inhibitoire sterkte. Sterkere inhibitie bij hogere input-gains leidde tot runaway-activiteit, terwijl lagere gains of sterktes zorgden voor stabiel leren.
Vogels-stijl iSTDP: Deze regel was breed maar niet uniform stabiel. In het referentie-regime kon het het werkpunt behouden en een nauwkeurigheid bereiken die vergelijkbaar is met de vaste baseline (ongeveer 84%). Echter, de stabiliteit was gevoelig voor parametervariaties (specifiek de doel-offset $\rho$ ) en de initialisatie van replicates, waarbij sommige runs faalden door vertraagde runaway of stille instorting.
Trage Homeostatische Inhibitie: Het verwijderen van snelle coïncidentie versterking verbeterde de stabiliteit, waarbij 96% van de runs de training voltooide. Echter, zonder een globale beperking kon de totale inhibitoire drive gaan driften, wat incidenteel leidde tot gewichtssaturatie of instabiliteit onder stress.
De Kritieke Rol van het Inhibitoire Budget: De meest significante bevinding betreft de budget-beperkte regel.
- Gematched Budget: Wanneer het geconserveerde inhibitoire budget ( $B_I = 3990$ ) overeenkwam met de totale inhibitoire drive van de stabiele vaste-inhibitie referentie, was de regel stabiel in alle replicate-runs. Het bereikte een hoge nauwkeurigheid (83,5%) en behield vuuringssnelheden en conductantie-statistieken die bijna identiek waren aan de vaste baseline.
- Mismatched Budget: Wanneer het budget werd verdubbeld ( $B_I = 7980$ ), faalde het netwerk in elke replicate, waarbij runaway-activiteit optrad.
- Mechanisme: De budgetbeperking scheidt de lokale herverdeling van inhibitoire gewichten van de veranderingen in de totale competitieve drive. Het matchen van het budget zorgt ervoor dat het netwerk binnen een levensvatbaar dynamisch regime blijft, terwijl een mismatch het netwerk naar onstabiele high-gain of low-competitie toestanden verschuift.

Betekenis en Claims
Het artikel claimt dat inhibitoire plasticiteit in competitieve STDP-netwerken niet uitsluitend wordt beheerst door lokale homeostatische updates. In plaats daarvan hangt stabiele plastische competitie gezamenlijk af van het operationele regime en een inhibitoire budget dat de totale sterkte van de competitie vastlegt terwijl lokale gewichten kunnen adapteren.

De auteurs stellen dat "inhibitory budget matching" een praktisch ontwerpprincipe is om vaste inhibitie te vervangen door plastische, homeostatisch gereguleerde competitie. Mechanistisch gezien voorkomt deze beperking dat plasticiteit het netwerk wegstuurt van een stabiele competitieve staat door de lokale gewichtsherverdeling te ontkoppelen van globale drive-veranderingen. De studie concludeert dat voor het succesvol vervangen van vaste zijdelingse inhibitie door inhibitoire plasticiteit in competitieve spiking learning-architecturen, de geconserveerde totale inhibitoire input expliciet moet worden afgestemd op een stabiel werkpunt dat door het vaste circuit is vastgesteld. Dit biedt een concreet startpunt voor theorieën over inhibitoire leren in competitieve spiking netwerken, waarbij wordt benadrukt dat de stabiliteit van leersregels contextafhankelijk is en globale beperkingen vereist om de totale competitieve drive te beheren.

Meer zoals dit