There are vast amounts of correlated neural activities, such as oscillations and synchronizations, observed in the brain. These activities are one of the most important keys for communication in the brain. However, the questions on how the synchronization level can be modulated and how these synchronized activities affect spike transfer from one layer to another layer in different convergent connection conditions are not clearly understood. In this work, we employ computer simulation of realistic neural network to address the questions.
The neural network consists of two layers of conductance based single cell model, the source layer and the target layer. The interlayer connections follow statistical wiring rule in which, strength and connectivity of the connection depend on the distance between the target cell and the source cells defined as the Gaussian-Gaussian (GG) convergent rule. For comparison, two other convergent rules that have constant probability of connection within the range were made. One rule has uniform distribution of connection strength. This rule is defined as the Uniform-Uniform (UU) convergent rule. Another rule has random connection strength that draws from negative exponential distribution and it is named as the Uniform-Exponential (UE) convergent rule. Then, the responses on target layer were measured from various convergent conditions. To study how the synchronization of input contributes to the neural network's response, this work compared the oscillating input and the static input given to the system.
This work observed that, when oscillating input were given, output firing rate is higher than that of static input even though the overall firing rate of both inputs were the same. Also, the specific level of response can be made with less strength of connection in oscillating input compared to the static input. This work showed that the oscillating input induced more output spike than static input. In addition, the gain of response from static to oscillating input is the largest in UU rule compared to GG and UE rules. We discovered that the output spikes in UU rule have the most dependency on synchronization level in input compared to GG and UE rules. These results showed that UU has the most sensitivity on the synchronization level in input.
In summary, this work found that high level of synchronization in input results in high output response and the synchronized input can make a specific level of output with low cost of connection compared to the static input. Also, neural network with Uniform-Uniform convergent connection rule is selective to change in input synchronization compared to the other two rules. These results suggest that both input synchronization level and the interlayer connection rules contribute to understanding brain connections.
본 연구는 신경망 시물레이션을 위한 일반화된 모델을 소개한다. 본 모델은 이 논문에서뿐만 아니라 다른 신경망 모델 시뮬레이션 연구를 위한 템플릿으로도 적용이 가능하다. 해당 모델을 이용하여 피드포워드 신경망의 정보전달 변화에 대한 연구를 수행하였다.
피드포워드 신경망에서 정보가 전달되는 방식을 연구하기 위해, 세 가지 세기로 동기화된 신호를 세 가지 종류의 수렴 규칙(Gaussian-Gaussian, Uniform-Uniform, Uniform-Exponential)으로 연결된 목표 망에 입력하였다. 이 과정에서 입력 신호가 정적 신호에서 진동 신호로 바뀔 때 평균 출력 발화율의 변화를 이용하여 정보 전달 변화를 연구하였다.
먼저 다양한 종류의 입력 신호와 수렴 연결 규칙에 대해 출력 변화를 측정하였다. 피드포워드 연결 강도가 증가하거나 입력 신호의 동기화 정도가 증가할 때 출력 발화율의 증가를 보였다. 이 때 Uniform-Uniform 연결 규칙(UU)이 다른 규칙들에 비해 가장 높은 정적 입력 신호와 진동 입력 신호에서의 출력 차이를 보였다. 마지막으로 UU 규칙에서 입력 발화당 유도되는 발화량이 가장 높으며, 입력 진동의 상 변화에 가장 민감하게 변화함을 확인하였다. 시간적인 활동의 변화에 기반하여 UU 규칙이 동기화된 입력 신호에 가장 민감한 이유에 대한 설명 또한 포함되었다.
요약하여 입력 신호의 강한 동기화는 신경망의 높은 출력 신호를 만드는 것과, 동기화 된 입력 신호는 정적인 신호에 비해 더 적은 양의 연결 하에서도 특정 세기의 출력이 가능하게 함을 확인하였다. 또한, UU 연결 규칙으로 연결 된 신경망은 다른 두 규칙 보다 입력 신호 동기화의 변화에 대해 더욱 선택적인 반응이 가능하였다. 본 결과는 입력 신호의 동기화 정도와 망 사이의 연결 규칙 모두 뇌에서 연결성을 이해하는 데 기여 할 것이라 제안한다.
