PulseAugur
中
实时 13:28:26
English(EN) Learning Hybrid Biophysical Neuron Models with Neural ODEs

新型混合模型使用神经ODE学习神经元动力学

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一个新颖的混合建模框架，将神经常微分方程（Neural ODEs）集成到生物物理神经元模型中。这种方法可以直接从电压记录中灵活地发现未知或错误指定的离子通道动力学，同时保持机制的可解释性。该方法已证明其能够拟合现有的离子通道模型并恢复未知的门控动力学，甚至能泛化到不同的刺激模式。此外，通过创建一个具有学习轴向电流的单室混合模型，可以降低复杂神经元模型（如多室皮层神经元模型）的计算成本。 AI

影响 这项研究引入了一种增强生物物理神经元模型的新方法，通过提高模型的准确性和效率，有可能加速神经科学研究。

排序理由 该集群包含一篇发表在arXiv上的研究论文，详细介绍了一种用于生物物理神经元的新型建模技术。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Jonas Beck, Michael Deistler, D\'ora Vikt\'oria Moln\'ar, Jakob H. Macke, Philipp Berens ·

    Learning Hybrid Biophysical Neuron Models with Neural ODEs

    arXiv:2606.16693v1 Announce Type: cross Abstract: Biophysical neuron models link measurements of neural activity to underlying cellular mechanisms. Yet, a central challenge is that the kinetics of many ion channels are poorly characterized, and practical simplifications -- omitti…

  2. arXiv cs.LG TIER_1 English(EN) · Philipp Berens ·

    Learning Hybrid Biophysical Neuron Models with Neural ODEs

    Biophysical neuron models link measurements of neural activity to underlying cellular mechanisms. Yet, a central challenge is that the kinetics of many ion channels are poorly characterized, and practical simplifications -- omitting channels or reducing morphological detail -- in…

相关实体

相关话题