Optimierung von rauschinduzierten Resonanzmechanismen auf koevolutionären neurobiologischen Netzwerken

• Antragsteller: Dr. Marius Yamakou
• Fachliche Zuordnung: Statistische Physik, Nichtlineare Dynamik, Komplexe Systeme, Weiche und fluide Materie, Biologische Physik
• Förderung: Förderung von 2021 bis 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 456989199

Die funktionelle Rolle von Rauschen ist eine langjährige Forschungsfrage in der Neurobiologie. Während Rauschen im Allgemeinen unerwünscht ist, ist seine Resonanzwirkung allgemein bekannt und wird auch als entscheidend für das ordnungsgemäße Funktionieren von Neuronen hinsichtlich ihrer Informationscodierungsfähigkeiten angesehen. Das Resonanzphänomen wurde sowohl in einzelnen Neuronen als auch in Netzwerken von Neuronen beobachtet. Es ist auch bekannt, dass verschiedene Arten von rauschinduzierten Resonanzmechanismen unter verschiedenen Bedingungen auftreten. Diese bestehen aus verschiedenen Kombinationen der Parameter in dem Neuronenmodel, synaptischen Verbindungen zwischen den Neuronen, der Netzwerktopologie und den Rauschquellen. Alle bisherigen Forschungen konzentrierten sich auf das Verständnis der Optimierung der rauschinduzierten Resonanzmechanismen: (a) in nicht adaptiven neuronalen Netzen und (b) unabhängig voneinander. Ein umfassendes Verständnis der Optimierung dieser rauschinduzierten Resonanzmechanismen in (a) koevolutionären (adaptiven) neuronalen Netzen und (b) unter Verwendung des Zusammenspiels zwischen zwei oder mehreren rauschinduzierten Mechanismen fehlt noch völlig.Das Hauptziel dieses Projekts ist das Entwerfen und Klassifizieren einer Vielzahl verschiedener Optimierungsschemata für drei verschiedene Arten von rauschinduzierten Resonanzmechanismen in biologisch koevolutionären neuronalen Netzwerkstrukturen hinsichtlich der Effizienz. Der Schwerpunkt liegt auf den rauschinduzierten Resonanzmechanismen von Kohärenzresonanz (CR), Selbstinduzierter stochastischer Resonanz (SISR) und Wiederholungsresonanz (RR) in adaptiven Netzwerk-Motiven (network motif), skalenfreien Netzwerken, Small-World-Netzwerken, Zufallsnetzwerken und mehrschichtige Netzwerke. Diese neuronalen Netze bestehen aus dem biophysikalischen Neuronenmodell von Hodgin-Huxley (HH) und entwickeln sich gemäß der Spiking-zeitabhängigen Plastizitätslernregel oder einer zeitaktivitätsabhängigen strukturellen Plastizitätslernregel. Vor Betrachtung der HH-Neuronen/Netzwerke, werden die erforderlichen Bedingungen für das Auftreten von CR und SISR in einem isolierten HH-Neuron mithilfe von geometrisch singulärer Störungstheorie und stochastisch mehrdimensionaler Reaktionsratentheorie bestimmt.Abhängig von der Topologie und den Eigenschaften eines Netzwerks und der Lernregel werden verschiedene Optimierungsschemata für CR, SISR und RR entworfen und hinsichtlich ihrer Effizienz klassifiziert. Dies ist ein aktueller und neuer Vorschlag, der unser Verständnis von optimaler neuronaler Codierung und Informationsverarbeitung über die bestehenden Grenzen hinaus vorantreibt.

• DFG-Verfahren: Sachbeihilfen