Анотація. Cкладність молекулярних механізмів, що підтримують формування пам'яті, заважає побудові простих, але вичерпних моделей для ефективної си-муляції великих нейронних мереж. Запропоновано феноменологічну модель правила навчання, що описує силу зв'язку через повільну і швидку змінні. Їх взаємодія дозволяє об'єднати навчання без учителя та навчання з підкріплен-ням. Результати симуляції свідчать про стабільність сили зв'язку завдяки вза-ємодії двох змінних та швидкій формі гомеостатичної пластичності. Мульти-плікативна форма масштабування ваг зберігає патерни пам'яті статистично більш частих стимулів. Подібним чином до підходу допоміжних слідів модель відслідковує нещодавні зміни сили зв'язку між нейронами і дозволяє їх підси-лити. Наведено міркування про можливу біологічну інтерпретацію запропоно-ваної моделі, що включає швидке переміщення рецепторів до мембрани і ста-білізацію їх у кластери.Ключові слова: правила навчання, спайкові нейронні мережі, навчання з під-кріпленням.
ВСТУПНейронні мережі третього покоління [1], так звані спайкові нейронні мере-жі, вважаються перспективними в побудові адаптивних систем з навчанням і пам'яттю, що відтворюють характеристики живих організмів. Використан-ня математичних моделей для відтворення динаміки реального нейрона при-зводить до складної і різноманітної поведінки розв'язків у штучних систе-мах. Головне завдання -з'ясувати, як з хаотичної динаміки об'єднаних у мережу тисяч нейронів сформувати здатність запам'ятовувати велику кіль-кість стимулів і надалі їх відтворювати та розпізнавати. Досі залишається не зрозумілим, яким чином кодується інформація в таких нейронних мережах і в реальному мозку в цілому.Реальний біологічний нейрон використовує безліч механізмів, які за-безпечують стабільне навчання на великих проміжках часу, такі як гомоси-наптичні хебівські та гетеросинаптичні гомеостатичні механізми [2], а також механізми, що змінюють структуру мережі через створення і видалення зв'язків [3]. Окремі механізми добре вивчені і побудовані їх математичні моделі, проте залишається проблема об'єднати їх у єдину робочу модель [4].У роботі пропонується об'єднати навчання з підкріпленням та навчання без учителя в поєднанні з гомеостатичним механізмом. Модель навчання включає дві змінні, які відслідковують силу зв'язку між нейронами на двох різних часових масштабах. Завдяки взаємодії змінних удалося включити в модель швидке підсилення зв'язку з надходженням сигналу підкріплення,