神经计算模型

神经计算模型是尝试以抽象和数学方式阐明生物神经系统或其功能组件中信息处理基础的核心原理。本词条在概述神经生物学计算的最权威模型，以及通常用于构建和分析它们的工具。

由于神经系统行为的复杂性，相关的实验误差界限是不确定的，但是可以根据特定子系统不同模型重现现实行为或响应特定输入信号的接近程度来比较它们的相对价值。在与计算神经行为学密切相关的领域，实践是将环境包括在模型中，从而使循环闭合。如果没有竞争模型，或者仅对总体反应进行了测量或量化，那么明确制定的模型可以指导科学家设计实验以探究生化机制或网络连通性。

除了最简单的情况外，构成模型基础的数学方程无法完全求解。尽管如此，计算机技术有时以专用软件或硬件体系结构的形式，允许科学家进行迭代计算并寻找合理的解决方案。可以以类似于原始生物体的方式与自然环境相互作用的计算机芯片或机器人是有用模型的一个实施例。然而，成功的最终标准是做出可检验的预测的能力。

生物神经系统中信息处理的速度受到动作电位沿神经纤维传播的速度的限制。该传导速度的范围从1 m / s到超过100 m / s，并且通常随着神经元过程的直径而增加。由声音的速度或重力决定的生物学相关事件的时间尺度较慢，在时间紧迫的应用中，神经系统压倒性地倾向于并行计算而不是串行计算。

如果模型在噪声引入的输入或运行参数变化的情况下继续产生相同的计算结果，则该模型是健壮的。例如，鲁棒运动检测器计算出的运动方向在亮度，对比度或速度抖动的微小变化下不会改变。对于神经元的简单数学模型，例如，尖峰图样对信号延迟的依赖性比对神经元间连接“权重”变化的依赖性弱得多。

这是指这样的原理：即使来自环境的输入急剧变化，神经系统的反应也应保持在一定范围内。因此，发送到视觉系统后期的信号始终保持在幅度非常狭窄的范围内。

甲线性系统是一个其响应在测量的指定单元，一组在曾经被认为是输入，是它的响应的总和由于单独地考虑的输入。

线性系统更容易进行数学分析，并且在许多模型中具有说服力，这些模型包括McCulloch和Pitts神经元，总体编码模型以及在人工神经网络中经常使用的简单神经元。线性可能发生在神经回路的基本元件中，例如突触后神经元的响应，或者作为非线性子回路组合的紧急特性出现。尽管线性通常被认为是不正确的，但最近的工作表明，在某些情况下，它在生物学上可能是合理的。

神经系统与大多数基于硅的计算设备不同，因为它们类似于模拟计算机（不是数字数据处理器）和大规模并行处理器，而不是顺序处理器。为了实时准确地对神经系统建模，需要备用硬件。

迄今为止，最现实的电路是利用现有数字电子设备（在非标准条件下运行）的模拟特性来实现计算机模拟的Hodgkin–Huxley型模型。