Modeling spatio-temporal dynamics in primary visual cortex using deep neural network model

Abstract

Recent advances in computational neuroscience and machine learning have enabled increasingly sophisticated models of neuronal systems. How- ever, standard deep neural networks (DNNs) often prioritize task perfor- mance over biological plausibility, limiting their ability to capture complex neural dynamics. In this thesis, we propose a novel approach that integrates biologically inspired constraints into recurrent neural network (RNN) architectures to model the primary visual cortex (V1). Using synthetic data generated from a biologically detailed spiking neural network (SNN) model of cat V1, we develop RNN architectures incorporating anatomical structure alignment, excitatory-inhibitory neuron differentiation, biologically motivated neuronal modules, and synaptic depression mechanisms. Our results show that RNN architectures without complex internal mod- ules can predict mean neuronal responses but struggle to capture full sys- tem dynamics. Introducing shared DNN neuron modules improves dynamics slightly, while RNN-based neuron modules substantially enhance the tempo- ral fidelity of predictions. Conversely, synaptic depression modules did not improve performance, likely due to computational constraints and subopti- mal hyperparameter tuning. This work demonstrates the promise of combining deep learning...

Nedávné pokroky v oboru výpočetních neurověd a strojového učení umož- nily vývoj komplexních modelů neurálních systémů. Nicméně, hluboké neu- rální sítě (DNN) často prioritizují celkovou úspěšnost v řešení problému nad biologickou interpretací, což limituje schopnost modelu zachytit komplexní neurální dynamiku. V rámci této práce navrhujeme nový způsob modelování kombinující biologické znalosti systému pro návrh modelů rekurentních neurálních sítí (RNN) primární zrakové kůry (V1). Za použití syntetických dat vygenero- vaných z biologicky detailního impulzivního modelu neuronové sítě (SNN) kočičího V1 jsme vyvinuli RNN s anatomicky odpovídající architekturou rozlišující excitační a inhibiční neurony, používající biologicky motivované moduly neuronů a zapojující mechanismy synaptické deprese. Naše výsledky ukazují, že RNN síť bez použití komplexních modulů neu- ronů může predikovat průměrné neurální odpovědi, ale zaostává v zachycení komplexní dynamiky systému. Zapojení DNN modulů neuronů mírně zlepšuje dynamiku, nicméně výrazné zlepšení v predikci dynamiky systému přináší až zapojení RNN modulů neuronů. Naproti tomu moduly synaptické deprese nezlepšují dynamiku sítě, pravděpodobně kvůli výpočetním omezením a ne- optimální volbě hyperparametrů. Tato práce vykazuje potenciál kombinace hlubokých neurálních sítí...