Динамические принципы в нейронауке

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?