# Tsodyks-Markram-rust

**Repository Path**: daoos_admin/tsodyks-markram-rust

## Basic Information

- **Project Name**: Tsodyks-Markram-rust
- **Description**: No description available
- **Primary Language**: Rust
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-12-03
- **Last Updated**: 2025-12-03

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Tsodyks-Markram 神经网络模型 Rust 实现

本项目基于PNAS论文《长短期突触可塑性相互作用将时间神经表征转换为空间表征》的Rust语言实现。

## 论文信息

- **期刊**：PNAS（美国科学院院刊）
- **标题**：长短期突触可塑性相互作用将时间神经表征转换为空间表征
- **作者**：Qiang Yu, Misha Tsodyks, Haim Sompolinsky, Dietmar Schmitz, Robert Gütig
- **联系方式**：robert.guetig@charite.com

## 模型组成

### 1. 泄漏积分放电（LIF）神经元模型

实现了基本的LIF神经元模型，包括膜电位动态和脉冲发放机制。

### 2. Tsodyks-Markram 突触模型

实现了经典的Tsodyks-Markram突触可塑性模型，包括：
- 突触权重（weight）
- 利用参数（u）
- 可用资源（x）
- 恢复时间常数（tau_rec）
- 促进时间常数（tau_fac）

该模型基于官方C代码实现，考虑了时间因素对突触状态的影响。

### 3. Tempotron 模型

实现了结合LIF神经元和Tsodyks-Markram突触的Tempotron模型，这是论文中的核心模型。

### 4. 学习规则

实现了基于梯度的学习规则和动量优化，支持多种参数的学习率和动量设置。

### 5. 存储容量分析

实现了存储容量分析功能，可以评估网络的记忆容量。

### 6. 批处理训练

实现了批处理训练功能，对应于C代码中的批处理训练机制。

## 生产级特性

### 错误处理
所有公共API都使用`Result`类型返回，提供详细的错误信息。

### 输入验证
所有输入参数都经过有效性验证，防止无效参数导致运行时错误。

### 完整文档
所有公共接口都提供了详细的文档注释。

### 测试覆盖
包含了单元测试，确保代码质量和功能正确性。

## 运行项目

```bash
# 运行主程序
cargo run

# 运行简单测试示例
cargo run --example simple_test

# 运行存储容量分析
cargo run --example capacity_analysis

# 运行高级学习算法演示
cargo run --example advanced_learning

# 运行测试
cargo test
```

## 项目结构

```
src/
├── main.rs              # 主程序入口
├── lib.rs               # 库模块声明
├── neuron.rs            # LIF神经元实现
├── synapse.rs           # Tsodyks-Markram突触实现
├── learning.rs          # 学习规则实现
├── network.rs           # 网络结构实现（基础版本）
├── tempotron.rs         # Tempotron模型实现
├── storage_capacity.rs  # 存储容量分析实现
├── batch_training.rs    # 批处理训练实现
├── error.rs             # 错误处理实现
tests/
├── neuron_test.rs       # 神经元模块测试
├── synapse_test.rs      # 突触模块测试
└── tempotron_test.rs    # Tempotron模块测试
examples/
├── simple_test.rs       # 简单测试示例
├── capacity_analysis.rs # 存储容量分析示例
└── advanced_learning.rs # 高级学习算法示例
```

## 官方实现参考

本项目参考了论文提供的官方C语言实现，位于 `pnas_2025-main` 目录中。官方实现包含了更完整的Tempotron模型和学习算法。

## 当前实现状态

这是一个基于论文描述和官方C代码的Rust实现，具有生产级特性：

1. LIF神经元模型
2. Tsodyks-Markram突触可塑性模型
3. Tempotron模型（结合上述两者）
4. 基本的学习机制
5. 存储容量分析功能
6. 多种学习算法实现（LTP、LTD）
7. 批处理训练功能
8. 完善的错误处理和输入验证
9. 详细的文档和测试覆盖

目前的实现是一个功能完整且健壮的系统，适合用于实际研究和应用。