Linear noise approximation for oscillations in a stochastic inhibitory network with delay
Notice bibliographique
Résumé
Understanding neural variability is currently one of the biggest challenges in neuroscience. Using theory and computational modeling, we study the behavior of a globally coupled inhibitory neural network, in which each neuron follows a purely stochastic two-state spiking process. We investigate the role of both this intrinsic randomness and the conduction delay on the emergence of fast (e.g., gamma) oscillations. Toward that end, we expand the recently proposed linear noise approximation (LNA) technique to this non-Markovian "delay" case. The analysis first leads to a nonlinear delay-differential equation (DDE) with multiplicative noise for the mean activity. The LNA then yields two coupled DDEs, one of which is driven by additive Gaussian white noise. These equations on their own provide an excellent approximation to the full network dynamics, which are much longer to integrate. They further allow us to compute a theoretical expression for the power spectrum of the population activity. Our analytical result is in good agreement with the power spectrum obtained via numerical simulations of the full network dynamics, for the large range of parameters where both the intrinsic stochasticity and the conduction delay are necessary for the occurrence of oscillations. The intrinsic noise arises from the probabilistic description of each neuron, yet it is expressed at the system activity level, and it can only be controlled by the system size. In fact, its effect on the fluctuations in system activity disappears in the infinite network size limit, but the characteristics of the oscillatory activity depend on all model parameters including the system size. Using the Hilbert transform, we further show that the intrinsic noise causes sporadic strong fluctuations in the phase of the gamma rhythm.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».