Програмна модель імпульсної нейромережі

Abstract

У роботі розглянуто програмну модель імпульсної (спайкової) нейронної мережі, призначеної для моделювання біологічно правдоподібної нейронної динаміки та розв’язання задачі класифікації двох бінарних патернів. Основну увагу приділено відтворенню ключових механізмів функціонування біологічних нейронних систем, зокрема імпульсної передачі інформації, мембранної динаміки нейронів та часової синаптичної пластичності. Як базову модель нейрона використано модель Leaky Integrate-and-Fire, яка забезпечує достатній рівень біологічної адекватності при збереженні обчислювальної простоти. Реалізовано модель синапса з часовою затримкою передачі сигналу, що дозволяє враховувати часову структуру спайкової активності. Для навчання мережі застосовано механізм Spike-Timing-Dependent Plasticity, відповідно до якого зміна синаптичних ваг визначається часовим співвідношенням між пресинаптичними та постсинаптичними спайками. Запропоновано архітектуру двошарової спайкової нейронної мережі з конкурентною взаємодією вихідних нейронів за принципом winner-take-all, що підвищує вибірковість відповіді під час класифікації. Програмна реалізація виконана мовою Python з використанням бібліотек NumPy та Matplotlib, що забезпечує можливість чисельного моделювання, аналізу результатів і наочної візуалізації мембранних потенціалів, спайкової активності та еволюції синаптичних ваг. Проведено експериментальні дослідження, які показали, що розроблена модель здатна формувати стійку спайкову динаміку та демонструвати адаптивну поведінку під дією STDP. Отримані результати підтверджують можливість використання спайкових нейронних мереж для задач класифікації на основі часових характеристик сигналів та свідчать про перспективність подальшого розвитку моделі.This paper presents a software model of a spiking neural network designed to simulate biologically plausible neural dynamics and solve a binary pattern classification problem. The study focuses on reproducing key mechanisms of biological neural systems, including spike-based information transmission, membrane potential dynamics, and temporal synaptic plasticity. The Leaky Integrate-and-Fire model is used as the base neuron model, providing a balance between biological realism and computational efficiency. A synapse model with transmission delays is implemented to account for the temporal structure of spike activity. Learning is realized using the Spike-Timing-Dependent Plasticity mechanism, where synaptic weight changes depend on the relative timing of pre- and postsynaptic spikes. A two-layer spiking neural network architecture with competitive winner-take-all interaction in the output layer is proposed. The system is implemented in Python using the NumPy and Matplotlib libraries, enabling numerical simulation, result analysis, and visualization of membrane potentials, spike raster plots, and synaptic weight dynamics. Experimental results demonstrate stable spiking behavior and adaptive learning dynamics, confirming the applicability of spiking neural networks for temporal pattern classification tasks and highlighting the potential for further research and model extension.