고전도 상태에서 스파이킹 뉴런을 이용한 확률적 추론

본 논문은 고전도 상태(high‑conductance state, HCS)에서 스파이킹 뉴런이 어떻게 확률적 추론을 수행할 수 있는지를 체계적으로 분석한다. 서론에서는 뇌가 불완전하고 잡음이 많은 입력에 대해 베이지안 추론을 수행한다는 가설을 소개하고, 이를 구현하기 위한 샘플 기반 코딩이 효율적이라는 기존 연구들을 언급한다. 그러나 실험실에서 관찰되는 결정론적 뉴런 행동과는 모순이 존재한다는 점을 지적한다. 본 연구의 첫 번째 목표는 단일 LIF 뉴런이 HCS에서 보이는 활성화 함수를 정확히 도출하는 것이다. 뉴런의 총 전류를 재구성하고, 강한 시냅스 입력으로 인해 효과적인 누설 전위 u_eff 와 시간 상수 τ_eff 가 정의된다. 높은 입력률에서는 τ_eff → 0이 되며, u_eff 는 Ornstein‑Uhlenbeck 과정으로 근사된다. 평균 전위 \(\bar u\)와 변동성 σ는 시냅스 가중치, 포아송 스파이크율, 역전위 등을 통해 명시적으로 계산된다(식 3‑4). 다음으로 저자들은 u_eff 의 자동상관을 “버스트 전파”라는 개념으로 확장한다. HCS에서는 재프레시 기간 τ_ref 과 시냅스 시간 상수 τ_syn 이 비슷한 규모이기 때문에, 스파이크 후에도 u_eff 가 임계값 θ 위에 머무를 확률이 높다. 이를 고려해 버스트 길이 n 별 발생 확률 P_n, 자유 진행 시간 T_n, 그리고 각 스파이크 사이의 평균 드리프트 시간 τ_bk 을 적분식(6‑8)으로 도출한다. 최종 활성화 함수 p(z=1| \(\bar u\)) 는 버스트와 자유 모드의 가중 평균으로 표현되며, 로지스틱 함수와 거의 일치한다. 이 이론적 예측은 직접 시뮬레이션한 LIF 뉴런의 방출 패턴과 비교해 기존 문헌(예: