850793 20251014113359.0 HBZ HT021461594 Laufende Nummer 41486 datacite_doi 10.18154/RWTH-2022-07720 RWTH-2022-07720 English 530 P:(DE-588)1269058878 Stapmanns, Jonas 0 rwth Field theoretical and simulation methods for the investigation of collective dynamics in neural networks vorgelegt von Jonas Stapmanns, M.Sc. online Feldtheoretische und Simulationsmethoden für die Untersuchung von kollektiver Dynamik in neuronalen Netzwerken German Aachen RWTH Aachen University 2022 1 Online-Ressource : Illustrationen, Diagramme 2 EndNote Thesis PUB:(DE-HGF)11 PUB:(DE-HGF) Dissertation / PhD Thesis phd phd BibTeX PHDTHESIS DRIVER doctoralThesis DataCite Output Types/Dissertation ORCID DISSERTATION Veröffentlicht auf dem Publikationsserver der RWTH Aachen University Dissertation, RWTH Aachen University, 2022 Dissertation RWTH Aachen University 2022 Fak01 2022-07-14 Das menschliche Gehirn, ein Beispiel für ein komplexes Nervensystem, besteht aus etwa 8.6*10^11 Neuronen, die über kurze elektrische Impulse miteinander kommunizieren. Es gibt zahlreiche Modelle, die auf der Grundlage experimenteller Erkenntnisse die neuronale Aktivität auf der Ebene einzelner Neuronen und Synapsen oder neuronaler Populationen beschreiben. Gleichzeitig liegen umfangreiche Erkenntnisse über die makroskopischen Eigenschaften des Gehirns vor. Dazu gehören zum Beispiel funktionelle Aspekte wie Entscheidungsfindung oder Lernen sowie Mustern neuronaler Aktivität wie räumliche und zeitliche Oszillationen oder neuronale Lawinen wie sie durch Multielektroden-Arrays aufgezeichnet werden. Im Sinne des Richard Feynman zugeschriebenen Zitats: "What I cannot create, I do not understand", möchten wir mit dieser Arbeit einen kleinen Beitrag dazu leisten, zu verstehen, wie die Interaktion der vielen Einzelteile zu dem Verhalten führt, das auf größeren Längen- und Zeitskalen beobachtet wird. Auf der Ebene der Population stellen die Wilson-Cowan-Gleichungen ein etabliertes Modell für neuronale Aktivität dar. In dieser Arbeit verwenden wir stochastische Varianten dieses Modells, um zu zeigen, wie das Multiskalenproblem durch die Anpassung von feldtheoretischen Methoden aus der statistischen Physik angegangen werden kann. In diesem Zusammenhang konzentriert sich unsere Arbeit auf eine über die Mean-Field-Näherung hinausgehende Untersuchung des Zusammenspiels zwischen Nichtlinearitäten und Stochastizität. Der erste der vorgestellten Ansätze, die Schleifenentwicklung der effektiven Wirkung, liefert eine Formulierung der statistischen Momente, die in Bezug auf die mittlere Aktivität selbstkonsistent ist. Mithilfe der funktionalen Renormierungsgruppe kann die Selbstkonsistenz im Prinzip für alle Ordnungen der statistischen Momente erreicht werden. Für diesen zweiten Ansatz entwickeln wir eine Näherung, die die numerische Berechnung des Flusses von impulsabhängigen Vertexfunktionen wesentlich effizienter gestaltet. Anschließend betrachten wir Netzwerke, die in einer entfernungsabhängigen Weise verbunden sind, um die Aktivität jenseits völlig homogener Populationen von Neuronen zu untersuchen. Mit Hilfe der Wilson-Renormierungsgruppe zeigen wir, dass die Parameter einer räumlich strukturierten, kontinuierlichen Version des Wilson-Cowan-Modells so eingestellt werden können, dass diese ein kritisches Verhalten vom Gell-Mann-Low-Typ zeigt. Bei dieser besonderen Art von Kritikalität ermöglichen Wechselwirkungen, die sich bis auf makroskopische Längenskalen erstrecken, eine nichtlineare, kollektive Informationsverarbeitung, während ein nahezu optimales Gedächtnis für externe Reize erhalten bleibt. Die neuronale Informationsverarbeitung ist anpassungsfähig, was sich in der Fähigkeit des Gehirns zeigt, zu lernen und sein Verhalten zu ändern. Die synaptische Plastizität wird als entscheidender Mechanismus angesehen, der, ausgelöst von korrelierter neuronaler Aktivität, die dazu notwendigen Veränderungen auf mikroskopischer Ebene umsetzt. Spannungsbasierte Plastizitätsregeln erweitern die gewöhnliche Spike-Zeitpunkt-abhängige Plastizität, indem sie das Membranpotenzial des postsynaptischen Neurons als dritten Faktor einbeziehen. Diese zusätzliche Komponente erlaubt es spannungsbasierten Regeln einerseits, experimentelle Ergebnisse genauer zu reproduzieren und biologisch plausible Annäherungen an leistungsfähige Algorithmen aus dem maschinellen Lernen zu realisieren; andererseits erschwert sie aber ihre Implementierung in Simulationssoftware. Wir entwerfen einen effizienten ereignisgetriebenen Algorithmus, der sich für große Simulationen auf Computern mit verteiltem Speicher eignet. Dies ermöglicht perspektivisch das Training großer biologisch inspirierter neuronaler Netze und bereitet den Weg für die Untersuchung ihrer kollektiven Dynamik. ger The human brain, as an example of a complex nervous system, is made up of approximately 8.6*10^11 neurons that communicate with one another via short electrical pulses. There are numerous models that, based on experimental results, describe neuronal activity at the level of individual neurons and synapses or neuronal populations. At the same time, extensive knowledge about the brain's macroscopic properties is available. This includes, for example, functional aspects like decision making or learning and multielectrode-array recordings of patterns of neural activity like spatiotemporal oscillations or neural avalanches. In the spirit of the quote attributed to Richard Feynman: "What I cannot create, I do not understand", with this work we would like to make a small contribution to understanding how the interaction of the many individual parts gives rise to the behavior observed on larger spatial and temporal scales. At the population level, the Wilson-Cowan equations constitute a well-established model of neuronal activity. In this thesis, we use stochastic variants of this model to show how the multiscale problem can be addressed by adapting field theoretical methods from statistical physics. In this context, our work focuses on developing a description of the interplay between nonlinearities and stochasticity that goes beyond the mean-field approximation. The first of the approaches presented, the loop expansion of the effective action, provides a formulation of the statistical moments that is self-consistent with respect to the mean activity. By means of the functional renormalization group self-consistency can in principle be achieved for all orders of the statistical moments. For this second approach, we develop an approximation which renders the numerical computation of the flow of momentum-dependent vertex functions much more efficient. We then consider networks connected in a distance-dependent manner to investigate activity beyond completely homogeneous populations of neurons. Using the Wilson renormalization group, we demonstrate that a spatially structured, stochastic version of the Wilson-Cowan model exhibits Gell-Mann-Low type critical behavior at the point of balance between excitation and inhibition. In this particular type of criticality, interactions that extend to macroscopic length scales enable nonlinear, collective information processing while maintaining near-optimal memory for external stimuli. Neural information processing is adaptable as reflected by the brain's ability to learn and alter its behavior. Synaptic plasticity is regarded as a crucial mechanism that, driven by correlated neuronal activity, implements the necessary changes at the microscopic level. Voltage-based plasticity rules extend the ordinary spike-timing-dependent plasticity by incorporating the membrane potential of the postsynaptic neuron as a third factor. On the one hand, this additional component allows voltage-based rules to reproduce experimental results more accurately and to realize biologically plausible approximations of powerful algorithms from machine learning; on the other hand, it complicates their implementation in simulation software. We design an efficient event-driven algorithm suitable for large-scale simulations on distributed memory systems. In perspective, this enables the training of large biologically inspired neural networks and paves the way for studying their collective dynamics. eng Dataset connected to Lobid/HBZ Germany MSRDJ critical brain criticality neural networks renormalization group synaptic plasticity P:(DE-82)030028 Helias, Moritz 1 Thesis advisor rwth P:(DE-82)IDM00054 Honerkamp, Carsten 2 Thesis advisor rwth http://publications.rwth-aachen.de/record/850793/files/850793.pdf OpenAccess http://publications.rwth-aachen.de/record/850793/files/850793_source.tar.gz Restricted oai:publications.rwth-aachen.de:850793 openaire open_access VDB driver dnbdelivery I:(DE-588b)36225-6 P:(DE-588)1269058878 RWTH Aachen 0 RWTH I:(DE-588b)36225-6 P:(DE-82)030028 RWTH Aachen 1 RWTH I:(DE-588b)36225-6 P:(DE-82)IDM00054 RWTH Aachen 2 RWTH 2022 StatID:(DE-HGF)0510 StatID OpenAccess I:(DE-82)136930_20160614 136930 Juniorprofessur für Theorie neuronaler Netzwerke (FZ Jülich) 0 I:(DE-82)130000_20140620 130000 Fachgruppe Physik 1 FullTexts I:(DE-82)130000_20140620 I:(DE-82)136930_20160614 UNRESTRICTED VDB phd