2.4: Salida de activación informática

El potencial de membrana Vm no se comunica directamente a otras neuronas, sino que se somete a un umbral y solo se comunican los niveles más fuertes de excitación, lo que resulta en una codificación mucho más eficiente y compacta de la información en el cerebro. En términos humanos, las neuronas son sensibles a las restricciones de “TMI” (demasiada información), también conocidas como enlace de Wikipedia “Gricean Maxims”, por ejemplo, solo comunican información relevante e importante.

Las neuronas reales en el Neocórtex computan picos discretos o potenciales de acción, que son muy breves (< 1 ms) y desencadenan la liberación de neurotransmisor que luego impulsa la excitación o inhibición de las neuronas a las que están enviando. Después del pico, el potencial de membrana Vm se restablece de nuevo a un valor bajo (en o incluso por debajo del potencial de reposo), y luego debe volver a subir al nivel del umbral antes de que pueda ocurrir otro pico. Este proceso da como resultado diferentes tasas de espigas asociadas con diferentes niveles de excitación; es claro a partir de los registros electrofisiológicos de neuronas en todo el neocórtex que esta información de tasa de picos es altamente informativa sobre el comportamiento y cognitivo información relevante. Queda un debate considerable sobre el grado en que las diferencias más precisas en el momento de los picos contienen información útil adicional.

En nuestros modelos de computadora, podemos simular el comportamiento discreto de spiking directamente de una manera muy sencilla (ver más abajo para más detalles). Sin embargo, a menudo usamos una aproximación de código de tasa en su lugar, donde la salida de activación de la neurona es un número de valor real entre 0-1 que corresponde a la tasa general de picos neuronales. Normalmente pensamos que este código de tasa refleja la producción neta de una pequeña población de aproximadamente 100 neuronas que responden a información similar: el neocórtex está organizado anatómicamente con microcolumnas de aproximadamente este número de neuronas, donde todas las neuronas sí codifican para similares información. El uso de esta activación de código de velocidad permite modelos de menor escala que convergen rápidamente en una interpretación estable de los patrones de entrada, con un ahorro general en tiempo computacional y complejidad del modelo. Sin embargo, existen compensaciones en el uso de estas aproximaciones, que discutiremos más en las Redes y otros capítulos. Conseguir que el código de tasa produzca una buena aproximación al comportamiento discreto de spiking ha sido un tanto desafiante en el framework Leabra, y solo recientemente se ha desarrollado una solución verdaderamente satisfactoria, que ahora es el estándar en el software emergente.