القائمة
利用MICrONS功能连接组学数据构建生物合理的RNN。整合皮质几何、解剖连接和功能关系作为归纳偏置，实现更有效的学习和收敛到生物计算的组织原则。
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
استنادا إلى تصنيف SOC المهني
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/hiyenwong/ai_collection --skill microns-cortical-rnn-inductive-biasesيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
عرض SKILL.md
Graph-native Python reimplementation of the Information Dynamics of Music (IDyOM) model that represents predictive memories as explicit graph objects for musical expectation modeling and network analysis.
Physics-aware end-to-end deep reinforcement learning methodology for quadcopter control with actuator dynamics modeling.
Reinforced Dreamer methodology for asymmetric reinforcement learning using latent guidance to improve world model representations and behaviors in model-based RL.
| name | microns-cortical-rnn-inductive-biases |
| description | 利用MICrONS功能连接组学数据构建生物合理的RNN。整合皮质几何、解剖连接和功能关系作为归纳偏置，实现更有效的学习和收敛到生物计算的组织原则。 |
| trigger_words | ["MICrONS","cortical geometry","recurrent neural network","inductive bias","functional connectomics","biological computation","spatial embedding","anatomical connectivity"] |
利用MICrONS功能连接组学数据集（钙成像与电镜重建共注册）构建生物合理的循环神经网络。通过整合皮质几何、解剖连接和功能关系作为归纳偏置，在网络学习中引入通信感知的空间约束，实现比基线模型更有效的学习和更好的收敛到生物计算的组织原则。
数据集创新：使用MICrONS数据集的近12,000个兴奋性神经元
归纳偏置整合：
架构设计：
组织原则：
# MICrONS数据结构
- neuronal_spatial_coordinates: 3D空间位置
- anatomical_connectivity: 电镜重建的突触连接
- functional_relationships: 钙成像的功能相似性
- 12,000+ excitatory neurons from mouse visual cortex
# 功能权重初始化
W_func = compute_functional_weights(functional_relationships)
# 解剖权重初始化
W_anatomical = extract_anatomical_connectivity(em_reconstruction)
# 空间嵌入
spatial_embedding = compute_spatial_constraints(coordinates)
# 通信感知的空间约束
def train_with_constraints(model, data, spatial_constraints):
# 初始化权重
model.init_weights(functional_weights, anatomical_weights)
# 应用空间约束
model.apply_spatial_embedding(spatial_constraints)
# 在认知任务上训练
for task in decision_making_tasks:
optimize_with_constraints(model, task, constraints)
# 三个认知决策任务
tasks = [
'two_choice_decision',
'multi_stimulus_integration',
'context_dependent_choice'
]
# 评估指标
metrics = {
'accuracy': task_performance,
'entropy': network_organization,
'modularity': module_structure,
'small_world': network_topology
}
| Metric | Baseline | Partial Constraints | Full Biological Constraints |
|---|---|---|---|
| Task Accuracy | 0.65 | 0.78 | 0.91 |
| Network Entropy | 0.85 | 0.52 | 0.28 |
| Modularity | 0.12 | 0.45 | 0.73 |
| Small-world Index | 1.2 | 2.1 | 4.5 |