[论文解读] Noise dynamically suppresses chaos in random neural networks
该论文表明，加性白噪声通过将混沌的出现时机推迟到远高于传统稳定性分析预测的耦合强度，从而动态地抑制了随机耦合神经网络中的混沌。利用动力学平均场理论，作者推导出混沌转变的精确条件，并表明噪声使得扩张动力学与稳定长期行为共存，且时间相关性在临界耦合强度稍高处达到峰值。
Noise is ubiquitous in neural systems due to intrinsic stochasticity or external drive. For deterministic dynamics, randomly coupled neural networks display a transition to chaos at a critical coupling strength. Here, we investigate the effect of additive white noise on the onset of chaos. We develop the dynamical mean-field theory yielding the statistics of the activity and the maximum Lyapunov exponent. An exact condition determines the transition from stable to chaotic dynamics. Noise suppresses chaos by a dynamic mechanism, shifting the transition to significantly larger coupling strengths than predicted by local stability analysis. A regime emerges, where expansive dynamics and stable long-term behavior coexist. Furthermore, the time scale of the temporal correlations does not diverge at the transition, but peaks slightly above the critical coupling strength.
研究动机与目标
- 理解加性白噪声如何影响随机耦合神经网络中混沌的出现。
- 发展一种动力学平均场理论，以捕捉神经活动的统计特性以及在噪声下的最大李雅普诺夫指数。
- 确定在存在噪声的情况下，从稳定到混沌动力学转变的精确条件。
- 研究噪声是否能够稳定原本会混沌的系统，即使局部稳定性分析预测其不稳定。
- 研究在噪声条件下，接近转变点的时间相关性时间尺度的行为。
提出的方法
- 作者采用动力学平均场理论，以解析方式描述大尺度随机网络在加性白噪声下的神经活动统计特性。
- 他们推导出最大李雅普诺夫指数作为耦合强度和噪声强度的函数，以评估稳定性与混沌。
- 利用该理论推导出从稳定到混沌动力学转变的精确解析条件，该条件超越了局部线性稳定性分析的范围。
- 该方法考虑了神经动力学的非线性以及噪声的随机性，从而能够对系统行为进行全局表征。
- 该理论预测了时间相关性时间尺度的峰值，该峰值出现在临界耦合强度稍高处，而非在转变点发散。
实验结果
研究问题
- RQ1加性白噪声如何改变随机神经网络中混沌出现的临界耦合强度？
- RQ2噪声是否能诱导一种扩张动力学与稳定长期行为共存的区域？
- RQ3时间相关性时间尺度是否在混沌转变点发散，还是在临界点附近出现峰值？
- RQ4动力学平均场理论如何捕捉噪声、耦合强度与混沌之间在有限但大规模神经网络中的相互作用？
- RQ5当存在噪声时，混沌转变的精确条件是什么？它与基于局部稳定性分析的预测有何不同？
主要发现
- 噪声通过将混沌的出现时机推迟到远高于确定性临界点的耦合强度，从而动态地抑制混沌。
- 一种稳定区域出现，其中扩张动力学与长期稳定性共存，这得益于噪声的存在。
- 在超过确定性临界点的耦合强度下，最大李雅普诺夫指数仍保持为负，表明在噪声下系统维持稳定。
- 时间相关性时间尺度在转变点并未发散，而是在临界耦合强度稍高处达到峰值。
- 混沌转变的精确条件被解析推导出来，其依赖于噪声强度和网络耦合强度。
- 动力学平均场理论成功捕捉了噪声、非线性与网络结构之间在抑制混沌行为中的非平凡相互作用。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。