Brug af renormaliseringsgruppemetoder til at studere, hvordan hjernen behandler information

Tidligere neurovidenskabsforskning tyder på, at biologiske neurale netværk i hjernen kunne selvorganisere sig til en kritisk tilstand. I fysik er en kritisk tilstand i det væsentlige et punkt, der markerer overgangen mellem ordnede og uordnede faser af stof.

Forskere ved Jülich Research Centre, RWTH Aachen University og Sorbonne Université har for nylig introduceret en teori, der kan hjælpe med at forklare kritikalitet i hjernen. Denne teori, introduceret i et papir offentliggjort i Physical Review Letters , er baseret på en prototypisk neural feltteori, kendt som den "stokastiske Wilson-Cowan-ligning."

"Tidligere værker har givet bevis for, at hjernen fungerer på et kritisk tidspunkt," fortalte Lorenzo Tiberi, Jonas Stapmanns, Tobias Kühn, Thomas Luu, David Dahmen og Moritz Helias, forskerne, der udførte undersøgelsen, til Phys.org via e-mail. . "Alligevel er det uklart, hvilken af ​​de mange mulige typer kritikaliteter, der specifikt implementeres af hjernen, og hvordan sidstnævnte kan udnytte kritikalitet til optimal beregning."

For at klassificere de forskellige typer af kritikalitet bruger fysikere typisk metoder inden for den såkaldte renormaliseringsgruppe (RG). Disse er i det væsentlige formelle tilgange, der kan bruges til systematisk at undersøge ændringer i et fysisk system på forskellige skalaer.

I deres undersøgelse tilpassede forskerne disse traditionelle metoder og integrerede dem med en prototypisk neuronal feltmodel først foreslået af Wilson og Cowan. De anvendte dem derefter specifikt til området neurovidenskab for at undersøge kritikalitet i biologiske neurale netværk.

"I vores arbejde studerer vi de veletablerede Wilson-Cowan-ligninger med stokastisk input, så den model, vi bruger, er ikke ny," sagde Tiberi, Stapmanns og deres kolleger. "Men ved hjælp af RG-teknikker når vi frem til et originalt resultat."

For at udføre beregningsopgaver, kognitive opgaver, der involverer beregninger, skal den menneskelige hjerne være i stand til at huske de inputdata, den modtager, og derefter kombinere dem på komplekse måder. Dette gør det igen muligt for den at behandle informationen og løse beregningsproblemet.

"Vi opdagede, at kritikalitet i Wilson-Cowans neurale feltmodel er af typen Gell-Mann-Low, som blandt alle typer kritikalitet specifikt tilbyder en optimal balance mellem at huske inputdata og kombinere dem på komplekse måder," siger Tiberi, Stapmanns, og deres kolleger sagde.

Ved hjælp af RG-metoder lykkedes det forskerne at studere virkningerne af ikke-lineære interaktioner i Wilson-Cowan-modellen, som er afgørende for at forstå, hvordan hjernen behandler information. Dette er en bemærkelsesværdig præstation, da middelfeltmetoderne brugt af andre teams tidligere ikke var i stand til at fange disse effekter, især når interaktioner er stærke nok til at forme hjernens dynamik på en makroskopisk skala.

"Vi forventer, at RG-metoder vil være nyttige til at studere andre ikke-lineære processer i neuronale netværk," forklarede holdet. "Desuden trækker vi forbindelser til andre områder af fysikken:Begrebet Gell-Man-Lav kritikalitet stammer fra kvantefeltteorien, og Kardar-Parisi-Zhang-modellen, som er tæt relateret til vores model, er oprindeligt blevet brugt til at beskrive dynamisk vækst af grænseflader."

I fremtiden kan teorien introduceret af dette team af forskere bruges til at undersøge forskellige andre hjernedynamikker og neurale processer, der rækker ud over kritikalitet. Derudover kunne det i sidste ende bane vejen mod introduktionen af ​​andre teoretiske konstruktioner, der fusionerer fysik og neurovidenskab.

"I hjernen er styrken af ​​forbindelser mellem neuroner meget variabel i en grad, at den i en første tilnærmelse kan beskrives som tilfældig," tilføjede forskerne. "Vi planlægger nu at anvende vores metoder til neurale modeller, der inkluderer denne funktion og se, hvilken effekt dette har, hvis nogen, på den type kritik, vi finder." + Udforsk yderligere

Optimering af neurale netværk på en hjerne-inspireret computer

© 2022 Science X Network