基于Wilson-Cowan模型的元种群学习

针对元种群（metapopulation）的威尔逊-科恩（Wilson-Cowan）模型是一种神经元质网络模型，将大脑的不同亚皮层区域视为相互连接的节点，节点间的连接代表这些区域之间多种类型的神经连接，包括结构连接、功能连接或有效连接。每个区域由兴奋性与抑制性神经元群体的相互作用构成，这与标准的威尔逊-科恩模型保持一致。通过在该元种群模型的动力学中引入稳定的吸引子，我们将其转化为一种具备学习能力的算法，能够实现高精度的图像与文本分类。我们在MNIST和Fashion MNIST数据集上结合卷积神经网络（CNN）进行测试，在CIFAR-10和TF-FLOWERS数据集上同样采用CNN架构，以及在IMDB数据集上结合Transformer架构（BERT）进行实验，结果均表现出优异的分类准确率。这些数值实验表明，对元种群威尔逊-科恩模型进行极小的修改，即可揭示出独特且此前未被观察到的动力学行为。