[论文解读] Contractive piecewise continuous maps modeling networks of inhibitory neurons

Eleonora Catsigeras, A. Rovella+1 more|arXiv (Cornell University)|May 17, 2008

Neural dynamics and brain function参考文献 8被引用 4

一句话总结

该论文证明，通过分段连续且局部收缩的Poincaré映射建模的三元及以上抑制性神经元通用网络，在小扰动下仅表现出有限个持久极限环的周期性行为。动力学由尖峰触发的重置和突触抑制所支配，关键结果是由于映射的分离性与收缩性，此类系统在拓扑上是通用的，即具有稳定且可观测的周期性放电模式。

ABSTRACT

We prove that a topologically generic network (an open and dense set of networks) of three or more inhibitory neurons have periodic behavior with a finite number of limit cycles that persist under small perturbations of the structure of the network. The network is modeled by the Poincare transformation which is piecewise continuous and locally contractive on a compact region B of a finite dimensional manifold, with the separation property: it transforms homeomorphically the different continuity pieces of B into pairwise disjoint sets.

研究动机与目标

• 分析具有基于动作电位相互作用的大规模抑制性神经元网络的长期动力学行为。
• 确立此类网络表现出持久、稳定周期性放电模式的条件。
• 证明即使在小扰动下，周期性行为在该类网络空间中也是通用的（开集且稠密）。
• 形式化不连续性（尖峰）与局部收缩性在确保收敛至周期轨道中的作用。
• 弥合抽象的拓扑动力系统理论与生物上合理的神经网络模型之间的鸿沟。

提出的方法

• 利用每个神经元的 integrate-and-fire 动力学推导出的 Poincaré 映射对网络进行建模。
• 将映射定义为在 R^{n-1} 中紧致区域上的分段连续且局部收缩映射，以反映突触抑制和尖峰重置。
• 引入“分离性”以确保连续性片段被映射到两两不相交的集合，防止重叠并支持拓扑分析。
• 应用拓扑动力系统理论工具分析极限集与渐近行为。
• 利用摄动理论表明，周期性行为在网络参数或结构发生微小变化时仍具鲁棒性。
• 通过在该类映射空间中基于分离性与收缩性进行稠密性与开集性论证，证明通用性。

实验结果

研究问题

• RQ1 在什么条件下，n ≥ 3 个抑制性神经元的网络仅表现出周期性行为？
• RQ2 为何此类系统中的周期性行为是通用的？为何非周期性（分岔）动力学不稳定？
• RQ3 不连续性（尖峰）与局部收缩性如何影响神经网络的长期动力学？
• RQ4 Poincaré 映射方法能否在不引入人工离散化的情况下准确捕捉实时神经动力学？
• RQ5 在小扰动下，持久极限环的有限数量是否仍为网络参数的鲁棒特征？

主要发现

• 对于 n ≥ 3 个抑制性神经元，Poincaré 映射在 R^{n-1} 的紧致集上为分段连续且局部收缩的。
• 分离性确保连续性片段被映射到两两不相交的集合，从而支持拓扑分析。
• 通用系统——即属于一个开且稠密子集的系统——仅表现出周期性渐近行为，且具有有限个持久极限环。
• 非通用动力学在结构上不稳定，仅需任意小的扰动即被破坏，因此在实践中不可观测。
• 尖峰间隔被严格远离零，防止相位同步，确保非平凡的周期性模式。
• 即使系统为周期性，当 n 极大时，周期可能极长，导致其在实践中表现为不可预测，被感知为混沌。