Novel Kuramoto model with inhibition dynamics modeling scale-free avalanches and synchronization in neuronal cultures
University of Campania ”Luigi Vanvitelli”(坎帕尼亚路易吉·范维特利大学);University of Genova(热那亚大学);Istituto Italiano di Tecnologia (IIT)(意大利理工大学);RCCS Ospedale Policlinico San Martino(圣马蒂诺大学临床医院);National Institute for Nuclear Physics (INFN)(意大利国家核物理研究所)
本文提出了一种新颖的Kuramoto模型,用于模拟神经元培养中规模无关性湍流与同步现象,通过抑制动态再现实验数据并揭示时间组织中的相关性。
2025-12-19 cond-mat.dis-nn q-bio.NC
Inferring Structure of Cortical Neuronal Networks from Firing Data: A Statistical Physics Approach
针对从神经元活动推断网络结构的神经科学基础问题,结合贝叶斯统计、统计物理与机器学习提出概率方法,可推断网络结构、识别神经元兴奋性/抑制性并预测放电,经多类数据验证性能优于现有方法,可为学习过程研究与神经元基电路开发提供支撑。
2024-03-06 cond-mat.dis-nn physics.soc-ph
U(1) dynamics in neuronal activities
神经元将外部刺激转换成动作电位或尖峰,并将所包含的信息编码到生物神经系统中。尽管神经元和突触之间的相互作用的复杂性,速率模型往往是适合描述神经编码适度的成功。然而,目前尚不清楚放电率,尖峰之间的时间间隔的倒数,是否足以捕捉神经元动力学的基本特征。超越了统计系统的Ginzburg-Landau理论中通常的弛豫动力学,我们提出神经活动可以被U(1)动力学捕获,将神经元的动作电位和"相位”结合在一起。Hodgkin-Huxley神经元的增益函数和相应的动态相变可以在U(1)神经元框架内描述。此外,说明了突触相互作用的相位依赖性,并建立了到Kinouchi-Copelli神经元的映射。这表明U(1)神经元是单神经元活动的最小模型,并作为信息处理的神经元网络的构建块。
2021-09-26 cond-mat.dis-nn q-bio.NC
Universal Statistical Behavior of Neural Spike Trains
我们构建了一个模型,预测由感觉神经元产生的尖峰序列的统计特性。该模型描述了神经元的内在属性,周围的噪声和外部驱动刺激的综合影响。我们发现,尖峰列车在短时间内表现出普遍的统计行为,调制的强烈刺激依赖的行为在很长一段时间。这些预测在对H1的实验中得到了证实,H1是苍蝇视觉系统中的运动敏感神经元。
1998-01-21 cond-mat.dis-nn physics.bio-ph q-bio
Pairwise Ising model analysis of human cortical neuron recordings
在清醒和深度睡眠的大脑状态下,皮层神经网络表现出不同的行为,第二个特征是高网络活动的瞬变。为了研究它们对神经元行为的影响,我们通过推断最大熵模型来应用成对伊辛模型分析,该模型再现了神经元尖峰活动的单个和成对时刻。在这项工作中,我们首先回顾了Ferrari,Phys. Rev. E(2016)中介绍的推理算法。然后,我们成功地应用该算法来推断模型从一个大的合奏的神经元记录在人类颞叶皮层的多电极阵列。我们比较了伊辛模型在捕捉清醒和深度睡眠期间网络活动的统计特性方面的性能。对于后者,成对模型错过了高网络活动的相关瞬态,这表明需要额外的约束来准确地建模数据。
2017-10-26 cond-mat.dis-nn q-bio.NC
Statistical Mechanics of Recurrent Neural Networks I. Statics
一个课堂笔记风格的回顾,对具有离散和连续神经元的循环神经网络的平衡统计力学(例如伊辛,耦合振荡器)。将在《生物物理学手册》(北荷兰)上发表。同时还将进行一次关于动态的类似审查(第二部分)。
2000-06-01 cond-mat.dis-nn q-bio
Statistical Mechanics of Recurrent Neural Networks II. Dynamics
一个课堂笔记风格的回顾非平衡统计力学的循环神经网络与离散和连续的神经元(例如伊辛,分级响应,耦合振荡器)。将在《生物物理学手册》(北荷兰)上发表。伴随着一个类似的审查(第一部分)处理静力学。
2000-06-01 cond-mat.dis-nn q-bio
Statistical mechanics of complex neural systems and high dimensional data
神经科学的最新实验进展为神经网络的巨大复杂性开辟了新的前景。数据的激增在两个平行的方面对我们提出了挑战。首先,我们如何形成足够的理论框架来理解动态网络过程如何在广泛不同的时空尺度上合作,以解决重要的计算问题?第二,我们如何从高维数据集中提取有意义的神经元系统模型?为了帮助在这些挑战中,我们给出了一个收集的想法和理论方法在统计物理学,计算机科学和神经生物学的交叉点产生的教学审查。我们介绍了相关的副本和腔的方法,这起源于统计物理的强大的方法来定量分析许多相互作用的自由度的大型高度异质系统。我们还介绍了密切相关的概念,图形模型中的消息传递,它起源于计算机科学作为一个分布式算法能够解决大型推理和优化问题,涉及许多耦合变量。然后,我们将展示如何统计物理学和计算机科学的观点可以应用在各种各样的背景下,在理论神经科学和数据分析中出现的问题。一路上,我们讨论自旋眼镜,学习理论,噪声中的结构错觉,随机矩阵,降维和压缩感知,所有这些都在副本方法的统一形式主义中。此外,我们回顾最近的概念之间的联系,在图形模型的消息传递,神经计算和学习。总的来说,这些想法说明了统计物理学和计算机科学如何提供一个镜头,通过它我们可以发现深埋在神经元网络动力学复杂性中的新兴计算功能。
2013-01-30 cond-mat.dis-nn q-bio.NC stat.ML
Emergence of assortative mixing between clusters of cultured neurons
神经元培养物的活性分析被认为是体内神经元组织的功能连接的良好代表。因此,从活动模式推断的功能复杂网络是一种很有前途的方式来解开神经元系统的结构和功能之间的相互作用。在这里,我们监测自发的自我维持的动力学在神经元的相互连接的聚集体(集群)形成的神经元培养。动力学的特点是快速激活的集群群序列称为突发。分析簇在突发内的激活之间的时间延迟允许重构网络的有向功能连接。我们提出了一种方法来统计推断这种连通性,并分析由此产生的相关复杂网络的属性。令人惊讶的是,与许多生物网络的报道相反,群集的神经元培养物呈现出混合连接值,以及丰富的俱乐部核心,这意味着有一个偏好的集群连接到其他集群共享类似的功能连接,形成了网络中的“连接骨干”。这些结果表明,神经元的分组和集群之间的排斥性连接是文化的内在生存机制。
2014-07-07 cond-mat.dis-nn physics.bio-ph q-bio.NC
Statistical modeling of adaptive neural networks explains coexistence of avalanches and oscillations in resting human brain
大脑中的神经元被连接成适应性网络,表现出一系列集体动力学。例如,振荡是具有定义的时间尺度的神经活动的范例同步模式。相反,神经元雪崩是神经活动的无尺度级联,通常被认为是大脑调整到临界状态的证据。虽然已经开发了模型来分别解释振荡或雪崩,但它们通常不能解释这两种现象,太复杂而无法进行分析,或者难以从数据中严格推断。在这里,我们提出了一个非平衡反馈驱动的伊辛类神经网络,同时定量捕获无标度雪崩和规模特定的振荡。在最简单但完全微观的模型版本中,我们可以通过分析计算相图,并通过对模型的两个基本参数进行易于理解的推断,与人脑静息状态活动记录直接联系。推断的模型定量捕获动态范围广泛的尺度,从单个传感器振荡和多个传感器上的近同步极端事件的集体行为,神经元雪崩展开在多个传感器跨多个时间箱。重要的是,推断出的参数与模型无关的签名“接近临界”,这表明在大脑活动中的尺度特异性(神经振荡)和无尺度(神经元雪崩)动力学的共存发生在接近非平衡临界点的自我持续振荡的开始。
2022-07-26 cond-mat.dis-nn cond-mat.stat-mech physics.bio-ph
Pattern-recalling processes in quantum Hopfield networks far from saturation
Hokkaido University(北海道大学)
Hopfield模型作为联想记忆的一个数学模型,已经得到了很好的发展,人们从不同的角度对模式回忆过程进行了大量的研究。众所周知,单个神经元本身就是一个不确定的、有噪的单元,在输入输出关系中存在有限的不可忽视的误差。为了人工模拟这种情况,引入了一种围绕神经元的“热浴”。作为噪声源的热浴由“温度”指定。关于有限温度下由Glauber动力学控制的Hopfield模型的模式回忆过程的研究已有报道。然而,我们可以将“热噪声”扩展到量子力学变体。本文根据量子力学马尔可夫链蒙特卡罗方法(量子MCMC)的随机过程,解析地导出了Hopfield神经网络的量子力学变体(我们称之为“量子Hopfield模型”或“量子Hopfield网络”)中“重叠”等序参量的宏观确定性方程。对于其中非广泛的数目$p$的模式嵌入通过非对称赫布连接,即,$p/N \to 0$的神经元$N \to \infty$(“远离饱和”)的数目的情况下,我们评估召回过程的量子力学噪声的影响下的内置模式之一。
2011-03-19 cond-mat.dis-nn cs.LG physics.bio-ph
Statistical Mechanics of Learning via Reverberation in Bidirectional Associative Memories
本文用统计力学研究双向联想记忆中通过层间回响实现的异联想学习,改进 Guerra 插值得到相图、阈值与信噪比,并以双 RBM 表示解释单突触实现经典条件作用。
2023-07-17 cond-mat.dis-nn stat.ML
Random Networks of Spiking Neurons: Instability in the Xenopus tadpole moto-neural pattern
当突触权重根据具有任意均值和方差的高斯分布独立随机分布时,对集成和激发神经元的大型网络进行了解析研究。相关的序参量的识别,它表明,这样的网络是统计等价于一个独立的集成和消防神经元与每个输入信号由一个自相互作用的确定性项和高斯色噪声的总和。该模型能够再现拟同步振荡,和他们的频率,中央神经系统神经元的游泳爪蟾蝌蚪的辍学。从模型的预测提出了未来的实验。
2020-02-21 cond-mat.dis-nn cond-mat.stat-mech physics.bio-ph
Two Lectures on Iterative Coding and Statistical Mechanics
这些是在2005年7月举行的Les Houches数学统计力学暑期学校的两个讲座的笔记。我回顾了一些基本概念稀疏图纠错码的重点是“现代”方面,如迭代置信传播解码。与统计力学,推理和随机组合优化的关系,以及一些一般的数学思想和开放的问题。
2005-12-14 cond-mat.dis-nn cond-mat.stat-mech
Dynamic neuron approach to deep neural networks: Decoupling neurons for renormalization group analysis
Department of Physics, Korea Advanced Institute of Science and Technology(韩国科学技术院物理系)
本文提出将神经元视为额外自由度的动态神经元方法,通过解耦神经元揭示深度神经网络的平移对称性,从而简化重整化群变换的应用,为用统计物理学分析深度神经网络的临界现象开辟新途径。
2025-06-18 cond-mat.dis-nn cond-mat.stat-mech cs.LG
Spin Glass: A Bridge between quantum computation and statistical mechanics
我们展示了介于量子信息处理和统计力学之间的两个迷人的主题。首先,我们介绍了一个精心制作的技术,表面码,准备特定的量子态与退相干的鲁棒性。其次,我们展示了另一种有趣的技术,采用量子性质,量子退火。通过这两个主题,我们将揭示量子力学和统计力学之间的交叉领域的诞生。
2012-04-24 cond-mat.dis-nn quant-ph
Statistical Neurodynamics of Deep Networks: Geometry of Signal Spaces
RIKEN CBS(理化学研究所CBS);AIST(产业技术综合研究所);Araya Co.(Araya公司)
统计神经动力学研究随机连接的神经网络的宏观行为。我们考虑一个深层前馈网络,其中输入信号逐层处理。输入信号的流形被嵌入到下一层的高维流形中作为弯曲的子流形,只要神经元的数量大于输入的数量。我们展示了嵌入流形的几何特征,证明了流形局部各向同性地扩大或收缩,使得它总是共形地嵌入。我们研究了嵌入流形的曲率。标量曲率收敛到一个常数或慢慢发散到无穷大。两个信号之间的距离也会改变,最终收敛到一个稳定的固定值,前提是一层中的神经元数量和层数都趋于无穷大。这就引起了一个问题,因为当我们考虑输入空间中的曲线时,它被映射为分形性质的连续曲线,但我们的理论矛盾地表明,曲线最终收敛到一组离散的等距点。在现实中,神经元和层的数量是有限的,因此,预计有限尺寸效应会导致我们的理论与现实之间的差异。我们需要进一步研究这些差异,以了解它们对信息处理的影响。
2018-08-22 cond-mat.dis-nn cs.LG stat.ML