教程 4: CANN 参数效应¶

阅读时间: 约30-35分钟难度: 中级 先决条件: 教程 1-3

本教程系统地探索不同 CANN1D 参数如何影响模型动力学。

目录¶

参数概述
实验设置
参数探索
后续步骤

1. 参数概览¶

CANN1D具有以下主要参数：

参数	默认值	物理意义
`num`	256	神经元数量（网络分辨率）
`tau`	1.0	时间常数（动力学速度）
`k`	8.1	全局抑制强度
`a`	0.5	连接宽度（局部兴奋范围）
`A`	10	外部输入振幅
`J0`	4.0	突触连接强度
`tau_v`	50.0	SFA时间常数（仅限CANN1D_SFA）

我们将使用SmoothTracking1D任务和energy_landscape_1d_animation可视化来观察每个参数的影响。

2. 实验设置¶

2.1 基础代码框架¶

[1]:

2.2 默认参数基线¶

首先，使用默认参数建立基线：

[2]:

# 默认参数
model_default = CANN1D(
    num=256, tau=1.0, k=8.1, a=0.5, A=10, J0=4.0
)
r_default = run_experiment(
    model_default,
    title="Default Parameters",
    save_path=None  # 设置为 'default.gif' 来保存
)

<SmoothTracking1D> Generating Task data: 500it [00:00, 997.94it/s]

观察要点：凸起应该平稳地从左到右跟踪刺激，形状稳定且清晰。

3. 参数探索¶

对于每个参数，我们将使用多个实验创建并排比较。这种方法允许您直接比较不同的参数值。

3.1 神经元数量 `num`¶

num 控制网络分辨率。更多的神经元意味着更精细的特征表示，但计算成本更高。

[3]:

# 测试不同的神经元数量
for num_val in [64, 256, 512]:
    model = CANN1D(num=num_val, tau=1.0, k=8.1, a=0.5, A=10, J0=4.0)
    run_experiment(
        model,
        title=f"神经元数量: {num_val}",
        save_path=None
    )

<SmoothTracking1D> Generating Task data: 500it [00:00, 1007.50it/s]

<SmoothTracking1D> Generating Task data: 500it [00:00, 7830.98it/s]

<SmoothTracking1D> Generating Task data: 500it [00:00, 1487.74it/s]

观察：

num=64：较低分辨率，颠簸表示较粗糙
num=256：平衡分辨率，标准选择
num=512：更高分辨率，颠簸更平滑，但计算量增加

关键洞察：分辨率影响颠簸平滑度，但不影响基本动力学。当精确的空间表示很重要时，使用更高的 num。

3.2 时间常数 `tau`¶

tau 控制动力学时间尺度。较大的 tau 意味着对输入的响应较慢。

[4]:

# 测试不同的时间常数
for tau_val in [0.5, 1.0, 2.0]:
    model = CANN1D(num=256, tau=tau_val, k=8.1, a=0.5, A=10, J0=4.0)
    run_experiment(
        model,
        title=f"Time Constant: tau={tau_val}",
        save_path=None
    )

<SmoothTracking1D> Generating Task data: 500it [00:00, 6681.74it/s]

<SmoothTracking1D> Generating Task data: 500it [00:00, 7698.46it/s]

<SmoothTracking1D> Generating Task data: 500it [00:00, 1703.66it/s]

观察：

tau=0.5：快速响应，凸起紧密跟随刺激，延迟最小
tau=1.0：标准响应，平衡的跟踪速度
tau=2.0：慢速响应，凸起滞后于移动的刺激

关键洞察：tau 控制网络的时间滤波。较小的 tau 意味着对变化输入的更快适应，较大的 tau 意味着更平滑、更慢的动力学。

3.3 全局抑制 `k`¶

k 控制全局抑制强度，对于维持单凸起吸引子状态至关重要。

[5]:

# 测试不同的抑制强度
for k_val in [4.0, 8.1, 16.0]:
    model = CANN1D(num=256, tau=1.0, k=k_val, a=0.5, A=10, J0=4.0)
    run_experiment(
        model,
        title=f"全局抑制: k={k_val}",
        save_path=None
    )

<SmoothTracking1D> Generating Task data: 500it [00:00, 7221.90it/s]

<SmoothTracking1D> Generating Task data: 500it [00:00, 4806.87it/s]

<SmoothTracking1D> Generating Task data: 500it [00:00, 5538.20it/s]

观察结果：

k=4.0：弱抑制，凸起可能不稳定、较宽或分裂成多个凸起
k=8.1：平衡的抑制，稳定的单个凸起
k=16.0：强抑制，更尖锐、更窄的凸起

关键洞察：k 平衡兴奋和抑制。过弱：不稳定性或多个凸起。过强：凸起可能无法形成或过于狭窄。

3.4 连接宽度 `a`¶

a 控制局部兴奋连接的空间范围，直接影响凸起的宽度。

[6]:

# 测试不同的连接宽度
for a_val in [0.3, 0.5, 0.8]:
    model = CANN1D(num=256, tau=1.0, k=8.1, a=a_val, A=10, J0=4.0)
    run_experiment(
        model,
        title=f"连接宽度: a={a_val}",
        save_path=None
    )

<SmoothTracking1D> Generating Task data: 500it [00:00, 4087.94it/s]

<SmoothTracking1D> Generating Task data: 500it [00:00, 2955.45it/s]

<SmoothTracking1D> Generating Task data: 500it [00:00, 7412.03it/s]

观察：

a=0.3：窄连接，产生更窄的凸起，峰值更尖锐
a=0.5：标准宽度，平衡的凸起形状
a=0.8：宽连接，产生更宽、分布更广的凸起

关键洞察：a 直接控制空间感受野大小。根据应用所需的空间精度调整 a。

3.5 外部输入振幅 `A`¶

A 控制外部刺激输入的振幅。

[7]:

# 测试不同的输入幅度
for A_val in [5, 10, 20]:
    model = CANN1D(num=256, tau=1.0, k=8.1, a=0.5, A=A_val, J0=4.0)
    run_experiment(
        model,
        title=f"输入幅度: A={A_val}",
        save_path=None
    )

<SmoothTracking1D> Generating Task data: 500it [00:00, 3244.44it/s]

<SmoothTracking1D> Generating Task data: 500it [00:00, 4569.55it/s]

<SmoothTracking1D> Generating Task data: 500it [00:00, 634.16it/s]

观察：

A=5：较弱的输入，凸起的峰值放电率较低
A=10：标准幅度，平衡的响应
A=20：较强的输入，凸起的峰值放电率较高，且可能传播范围更广

关键洞察：A 控制外部输入驱动网络的强度。较高的 A 使凸起对外部刺激相比内部循环动力学更有响应。

3.6 突触连接强度 `J0`¶

J0 控制循环突触连接的最大强度。

[8]:

# 测试不同的连接强度
for J0_val in [2.0, 4.0, 8.0]:
    model = CANN1D(num=256, tau=1.0, k=8.1, a=0.5, A=10, J0=J0_val)
    run_experiment(
        model,
        title=f"突触强度: J0={J0_val}",
        save_path=None
    )

<SmoothTracking1D> Generating Task data: 500it [00:00, 4871.12it/s]

<SmoothTracking1D> Generating Task data: 500it [00:00, 5754.28it/s]

<SmoothTracking1D> Generating Task data: 500it [00:00, 590.77it/s]

观察：

J0=2.0：弱递归连接，颠簸可能在没有输入的情况下无法保持稳定性
J0=4.0：标准连接，稳定的颠簸维持
J0=8.0：强递归连接，非常稳定的颠簸，可能会变得过于僵硬

关键洞察：J0 决定了吸引子的强度。更高的 J0 意味着更强的自我维持动力学和更好的记忆维持，但可能会降低对输入变化的响应性。

3.7 SFA 时间常数 `tau_v`¶

对于 CANN1D_SFA，tau_v 控制尖峰频率适应时间尺度。SFA 产生一个适应电流，即使在没有外部速度输入的情况下，也可能导致颠簸漂移。

[9]:

# 测试不同的SFA时间常数
for tau_v_val in [20.0, 50.0, 100.0]:
    model = CANN1D_SFA(
        num=256,
        tau=1.0,
        tau_v=tau_v_val,
        k=8.1,
        a=0.3,
        A=0.2,
        J0=1.0,
        m=0.3
    )
    run_experiment(
        model,
        title=f"SFA时间常数: tau_v={tau_v_val}",
        save_path=None
    )

<SmoothTracking1D> Generating Task data: 500it [00:00, 987.72it/s]

<SmoothTracking1D> Generating Task data: 500it [00:00, 7448.12it/s]

<SmoothTracking1D> Generating Task data: 500it [00:00, 1604.13it/s]

观察：

tau_v=20.0：快速适应，凸起可能漂移更快或领先于刺激
tau_v=50.0：标准适应，中等漂移行为
tau_v=100.0：缓慢适应，较弱的漂移效应

关键洞察：SFA 引入了预期动力学。适应电流产生的不对称性可以使凸起”预测”运动方向。这对路径积分模型很有用。

4. 后续步骤¶

恭喜您完成了所有基础教程！您现在已理解：

所有主要CANN参数及其物理含义
每个参数对隆起动力学的影响
如何进行系统的参数扫描实验
参数选择中涉及的权衡

参数选择指南¶

配置CANN模型用于您的应用时：

从默认参数开始 - 默认参数提供稳定、行为良好的动力学
将分辨率与需求匹配 - 更高的num用于精确空间编码，更低的用于提高效率
调整时间动力学 - 根据所需响应速度调整tau
平衡稳定性和灵活性 - J0和k控制吸引子强度
匹配空间尺度 - 根据所需隆起宽度设置a

继续学习¶

从这里选择高级应用教程：

教程5：分层路径积分网络 - 学习具有多个空间尺度的分层路径积分
教程6：Theta扫描系统模型 - 学习结合头向和网格细胞的Theta扫描系统
教程7：Theta扫描位置细胞网络 - 学习位置细胞网络和空间记忆

或探索其他场景：

场景2：数据分析 - 使用CANN分析实验神经数据
场景3：脑启发学习 - CANN的脑启发训练方法
场景4：端到端管道 - 从数据到发表的完整研究工作流程

关键要点¶

参数相互关联 - 改变一个参数可能需要调整其他参数以保持稳定性
可视化以理解 - 探索参数时始终使用能量景观可视化
从简单开始 - 在转向SFA或2D变体之前从基础CANN1D开始
记录您的选择 - 记下为什么选择特定参数值以便重现