Динамические принципы в нейронауке

Dynamical principles in neuroscience
Henry D. I. Abarbanel, Mikhail I. Rabinovich, Pablo Varona, Allen I. Selverston
2006-11-14

комбинаторно-временные кодыдинамическое моделированиенейронное кодированиенейронные системынелинейная динамика
Динамическое моделирование нейронных систем и функций мозга успешно развивается на протяжении последнего полувека. Оно включает, например, объяснение и предсказание некоторых особенностей ритмического поведения нейронов. За последние два десятилетия было предложено множество интересных динамических моделей обучения и памяти, основанных на физиологических экспериментах. В настоящее время существуют даже динамические модели сознания. Обычно эти модели и результаты основаны на традиционных подходах и парадигмах нелинейной динамики, включая динамический хаос. Однако нейронные системы представляют собой необычный объект для нелинейной динамики по нескольким причинам: (i) даже простейшая нейронная сеть, содержащая всего несколько нейронов и синаптических связей, имеет огромное число переменных и управляющих параметров. Именно они обеспечивают адаптивность и гибкость нейронных систем и имеют решающее значение для их биологической функции. (ii) В отличие от традиционных физических систем, описываемых хорошо известными фундаментальными принципами, первые принципы, управляющие динамикой нейронных систем, неизвестны. (iii) Многие различные нейронные системы демонстрируют сходную динамику, несмотря на различия в архитектуре и степени сложности. (iv) Архитектура сети и величины связей обычно неизвестны в деталях, поэтому динамический анализ должен быть в некотором смысле вероятностным. (v) Поскольку нервные системы способны организовывать поведение на основе сенсорных входов, динамическое моделирование этих систем должно объяснять преобразование временной информации в комбинаторные или комбинаторно-временные коды и обратное преобразование — для обеспечения памяти и распознавания. В этом обзоре данные проблемы обсуждаются в контексте следующих важных вопросов: чему нейронаука может научиться у нелинейной динамики и чему нелинейная динамика может научиться у нейронауки?
1
Динамическое моделирование успешно объясняло и предсказывало особенности ритмического поведения нейронов на протяжении последних пятидесяти лет.
2
Нейронные модели должны объяснять преобразование временной информации от сенсорных входов в комбинаторные или комбинаторно-временные коды памяти и распознавания и обратное преобразование.
3
Нейронные системы создают трудности для традиционных подходов нелинейной динамики, поскольку даже небольшие сети могут содержать огромное число переменных и управляющих параметров.
4
На основе физиологических экспериментов были предложены динамические модели обучения, памяти и даже сознания.
5
Неизвестные фундаментальные принципы, неполная информация о структуре сетей и сходная динамика разных архитектур требуют вероятностного анализа динамики.

нейронные системы и функции мозга

их динамические принципы, включая нелинейную динамику, адаптивное поведение, обучение, память, сознание и кодирование временной информации

Publication Details
Publication Date
2006-11-14
Journal
Publisher
ISSN
Cited by
827
Access Type
Author Information
Authors
Henry D. I. Abarbanel
Mikhail I. Rabinovich
Pablo Varona
Allen I. Selverston
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%