[논문 리뷰] Fluid limit theorems for stochastic hybrid systems with application to neuron models

K. Pakdaman, M. Thieullen외 1명|arXiv (Cornell University)|2010. 01. 14.

Gene Regulatory Network Analysis인용 수 10

한 줄 요약

이 논문은 연속적인 결정론적 동역학과 마코프 점프 과정이 결합된 확률적 하이브리드 시스템에 대한 유체 극한 정리들을 수립한다. 기능적 대수법칙과 지수 수렴 속도를 증명하고, 기능적 중심극한정리도 제시한다. 이는 확률적 이온 채널을 가진 뉴런 모델에 적용되어, 채널 노이즈가 막힘 시기와 주파수 인식에 미치는 영향을 정량화하며, 노이즈에 의해 유도되는 변동성이 $1/\sqrt{N}$ 비례로 증가하고, 결정론적 극한으로의 수렴이 $N$에 대해 지수적으로 빠르게 일어남을 보여준다. 이 결과들은 유한한 크기의 확률적 성분이 존재하는 신경계에서 정밀도와 신뢰성의 추정을 위한 엄밀한 프레임워크를 제공한다.

ABSTRACT

This paper establishes limit theorems for a class of stochastic hybrid systems (continuous deterministic dynamic coupled with jump Markov processes) in the fluid limit (small jumps at high frequency), thus extending known results for jump Markov processes. We prove a functional law of large numbers with exponential convergence speed, derive a diffusion approximation and establish a functional central limit theorem. We apply these results to neuron models with stochastic ion channels, as the number of channels goes to infinity, estimating the convergence to the deterministic model. In terms of neural coding, we apply our central limit theorems to estimate numerically impact of channel noise both on frequency and spike timing coding.

연구 동기 및 목표

• 순수 점프 마코프 과정에 대한 유체 극한 정리를 연속적이고 점프 동역학이 결합된 확률적 하이브리드 시스템으로 확장한다.
• 확률적 이온 채널에 의한 유한한 크기의 변동성으로 인한 뉴런 모델 내의 영향을 분석한다.
• 채널 노이즈가 신경 인식, 특히 막힘 시기와 주파수 인식에 어떻게 영향을 미치는지 정량화한다.
• 결정론적 유체 극한 주변의 변동성에 대한 확산 근사와 기능적 중심극한정리를 유도한다.
• 수렴 오차의 지수 尾 꼬리 추정을 제공하여, 원하는 정밀도를 확보하기 위해 필요한 인구 수 $N$을 정확히 예측할 수 있도록 한다.

제안 방법

• 상태에 따라 변화하는 점프 비율을 갖는 연속시간 마코프 과정으로서 확률적 하이브리드 시스템을 모델링하고, 전역 변수 $V_N$ 를 기술하는 상미분 방정식과 결합한다.
• 지수 마틴게일 부등식을 적용하여, 기능적 대수법칙과 지수 수렴 속도를 증명한다. $P(E_N(T) > \Delta) \leq e^{-\Delta N H(T)}$ 이며, 여기서 $E_N(T)$ 는 $[0,T]$ 에서의 슈프니르 오차이다.
• $(V_N, e_N)$ 의 공동 과정에 대한 확산 근사를 유도한다. 여기서 $e_N$ 은 상태의 경험 측도이며, 변동성에 대한 중심극한정리를 사용한다.
• 유체 극한 주변의 변동성에 대한 선형화된 랭게빈 근사를 구성하여, 생성자로부터 유도된 평균 및 분산 계수를 갖는 브라운 운동에 의해 구동되는 확률미분방정식(SDE) 시스템을 이끌어낸다.
• 선형화된 시스템의 모멘트 방정식을 사용하여 변동성 과정의 일차 및 이차 모멘트의 진화를 계산한다.
• 모리스-레카르 뉴런 모델에 이 프레임워크를 적용하여, 전압, 활성화 및 비활성화 변수에 대한 명시적 모멘트 방정식을 유도한다.

실험 결과

연구 질문

• RQ1 성분 수 $N$ 이 증가함에 따라 확률적 하이브리드 시스템의 해가 결정론적 유체 극한으로 수렴하는 방식은 어떠한가?
• RQ2 유체 극한의 수렴 속도는 무엇이며, 지수 꼬리 추정을 통해 정량화할 수 있는가?
• RQ3 유체 극한 주변의 변동성은 어떻게 행동하는가? 그리고 이는 가우시안 과정으로 근사될 수 있는가?
• RQ4 유한한 크기의 확률적 성분(채널 노이즈)은 뉴런 모델의 막힘 시기와 주파수 인식에 어떤 영향을 미치는가?
• RQ5 원하는 정밀도 수준을 확보하기 위해 필요한 이온 채널 수 $N$ 은 어떻게 추정할 수 있는가?

주요 결과

• 지수 수렴 속도를 갖는 유체 극한이 확립되었으며, $P(E_N(T) > \Delta) \leq e^{-\Delta N H(T)}$ 이다. 이는 시간 간격 $[0,T]$ 동안 오차에 대한 정량적 경계를 제공한다.
• 유체 극한 주변의 시스템 변동성은 渐近적으로 가우시안이며, 전이 비율에서 유도된 평균 및 분산 계수를 포함하는 SDE 시스템으로 주어지는 확산 근사로 기술된다.
• 하이브리드 시스템에 대한 중심극한정리는 스케일링된 변동성 $\sqrt{N}(\tilde{e}_N - e)$ 가 약한 수렴으로 유체 극한 주변의 확산 과정으로 수렴하며, 이는 평균 $b(v,e)$ 와 분산 $\sqrt{\lambda(v,e)/N}$ 을 갖는다.
• 모리스-레카르 모델의 경우, 선형화된 변동성에 대한 모멘트 방정식은 시간에 따라 변화하는 계수를 갖는 선형 비동차 상미분방정식 시스템을 이룬다. 이는 노이즈에 의해 유도된 변동성의 분산과 공분산을 수치적으로 추정할 수 있게 한다.
• 분석 결과 채널 노이즈는 막힘 시기와 주파수 인식의 변동성을 $1/\sqrt{N}$ 비례로 유도하며, 원하는 정밀도를 확보하기 위해 필요한 $N$ 은 관심 있는 시간 스케일에 따라 증가함을 보여준다.
• 이 프레임워크는 채널 노이즈가 신경 인식에 미치는 영향을 수치적으로 추정할 수 있게 하며, 행동 전기적 막힘 생성의 시간 정밀도에 노이즈가 상당한 영향을 미칠 수 있음을 보여준다.