spiking-temporal-memory-stm-sequence-timing

name	spiking-temporal-memory-stm-sequence-timing
description	Spiking Temporal Memory (sTM) model for learning sequence timing and control of replay speed in networks of spiking neurons
version	1.0.0
author	Neuroscience Cron Job
created	2026-06-09T00:00:00.000Z
arxiv_id	2605.22523v1
paper_title	Learning sequence timing and control of replay speed in networks of spiking neurons
paper_date	2026-05-21T00:00:00.000Z
activation_keywords	["spiking temporal memory","sTM model","sequence timing","replay speed control","oscillatory clock signal","working memory","spiking neural network","sequence processing","time representation"]

Spiking Temporal Memory (sTM) for Sequence Timing

概述

该方法论扩展了 Spiking Temporal Memory (sTM) 模型，使其能够学习序列元素的精确时序，并通过振荡背景输入灵活控制序列重放速度。核心创新在于提出了一种机制：序列元素的持续时间通过元素特异性神经元群体的顺序激活表示，实现了跨广泛时间尺度的序列编码和重放。

背景：sTM 模型基础

原始 sTM 模型特点

序列元素表示：

• 每个序列元素由一小群神经元同步发放表示
• 活跃神经元集合编码元素在序列上下文中的身份
• 稀疏、上下文依赖的编码

原始模型的局限：

• 只学习序列元素的顺序，不学习时序
• 无法灵活控制重放速度
• 缺乏生物可实现的时序编码机制

本研究的核心问题

1. 如何编码元素特异性时序？
2. 如何灵活控制序列重放速度？
3. 如何实现跨时间尺度的序列学习？

核心方法论

1. 时序编码机制：元素持续时间表示

关键洞察：

• 序列元素的持续时间通过元素特异性神经元群体的顺序激活表示
• 每个序列元素分解为多个子状态，每个子状态由不同神经元群体激活
• 持续时间越长，激活的子状态越多

机制示意：

序列元素 A (持续时间 = 3个时间单位):
  - 子状态 A_1: 神经群体 G1 发放
  - 子状态 A_2: 神经群体 G2 发放  
  - 子状态 A_3: 神经群体 G3 发放
  
序列元素 B (持续时间 = 2个时间单位):
  - 子状态 B_1: 神经群体 G4 发放
  - 子状态 B_2: 神经群体 G5 发放

神经网络架构：

import nest  # NEST simulator for spiking neural networks

class STMWithTiming:
    """
    扩展的 sTM 模型支持时序编码
    
    Attributes:
        element_neurons: 元素识别神经元群体
        timing_neurons: 时序编码神经元群体
        sequence_memory: 序列记忆连接矩阵
    """
    
    def __init__(self, n_elements, max_duration=10):
        """
        Args:
            n_elements: 序列元素数量
            max_duration: 最大持续时间单位
        """
        self.n_elements = n_elements
        self.max_duration = max_duration
        
        # 创建神经元群体
        self.element_neurons = nest.Create(
            'iaf_psc_alpha', 
            n=n_elements * max_duration  # 每个元素有 max_duration 个时序神经元
        )
        
        # 连接模式：顺序激活
        .setup_timing_connections()
    
     ():
        
         elem_idx  (.n_elements):
            base_idx = elem_idx * .max_duration
            
             t  (.max_duration - ):
                
                nest.Connect(
                    .element_neurons[base_idx + t],
                    .element_neurons[base_idx + t + ],
                    syn_spec={: , : }
                )
    
     ():
        
         idx, (elem_id, duration)  (sequence):
            
             t  (duration):
                neuron_idx = elem_id * .max_duration + t
                nest.SetStatus(
                    .element_neurons[neuron_idx],
                    {: -}  
                )