Networks of Izhikevich neurons: synchronization and network inference

• Autor(a) principal: Aristides, Raul de Palma
• Data de Publicação: 2024
• Tipo de documento: Tese
• Idioma: eng
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: https://hdl.handle.net/11449/253573
• topic: Sistemas não-lineares; Sincronização; Análise de séries temporais

Nesta tese, exploramos dois domínios interconectados: a estabilidade de estados sincronizados em redes de neurônios Izhikevich e o desafio da inferência de redes em sistemas complexos. A motivação advém da ubiquidade de redes complexas na natureza, onde a sincronização frequentemente ocorre, apresentando uma complexidade quando a estrutura subjacente da rede é desconhecida. A base analítica de nossa investigação reside na aplicação do formalismo da Função de Estabilidade Mestra (MSF) para estudar a estabilidade de estados sincronizados em redes de neurônios Izhikevich. Apesar do uso generalizado do modelo Izhikevich, este estudo representa a primeira aplicação da MSF ao modelo Izhikevich, tornada possível pelo uso da abordagem de matrizes de saltos. Através deste arcabouço analítico, exploramos estados totalmente sincronizados e estados sincronizados em aglomerados em redes com acoplamentos elétricos e químicos. Notavelmente, o estudo revela o comportamento sutil da sincronização, com a presença de uma bacia de atração riddled próxima aos limiares de sincronização. A MSF, embora uma ferramenta valiosa, mostra-se suscetível a discrepâncias, enfatizando a necessidade de uma interpretação cuidadosa Transitando para a segunda parte da tese, abordamos o problema da inferência de redes usando o filtro de Kalman Unscented (UKF). O UKF é primeiro testado em um neurônio Izhikevich isolado, demonstrando uma precisão notável na inferência de parâmetros mesmo sob a influência de correntes de entrada variáveis. Estendendo a aplicação para redes, o UKF infere com sucesso as estruturas de acoplamento elétrico e elétrico-químico. Em uma abordagem inovadora, empregamos o UKF para inferência de redes com base em dados de temporização de eventos. Associando uma fase a eventos de temporização, assimilamos essa informação no modelo de Kuramoto, revelando em alguns casos, desempenho superior em comparação com informações mútuas e correlação cruzada em dados sintéticos. No entanto, os custos computacionais tornam a abordagem impraticável para grandes redes.