Mean-field approximations of networks of spiking neurons with short-term synaptic plasticity

Richard Gast, Thomas R. Knösche, and Helmut Schmidt

Max Planck Institute for Human Cognitive and Brain Sciences, Leipzig, Germany

尖峰神经网络动力学的低维描述是连接大脑结构和功能不同尺度组织的有效工具。在推导耦合振荡器网络的平均场描述方面的最新进展引发了新一代神经质量模型的发展。值得注意的是所有对所有耦合的二次积分-放电 (QIF) 神经元的平均场描述，这些神经元已经有了许多扩展和应用。这些扩展包括不同形式的短期适应，它们被认为在产生和维持大脑中感兴趣的动态机制中发挥着重要作用。然而，结合由单个神经元活动驱动的突触可塑性的突触前形式，是否仍然允许使用同样的方法推导平均场方程，这是一个有待解决的问题。在这里，我们使用一个已建立的在单个神经元水平上的短期突触可塑性模型来讨论这个问题，为此，我们提出了两种不同的方法来推导平均场方程。我们将这些模型与最近提出的假设为随机峰值时间的平均场近似进行了比较。一般来说，后者不能准确地再现具有分布式参数的确定性 QIF 神经元网络中的宏观活动。我们表明，我们提出的平均场模型提供了一个更准确的网络动力学描述，尽管它们在数学上更复杂。通过分岔分析，我们发现具有突触前短期可塑性的 QIF 网络可以表达周期性爆发活动的状态和双稳态状态。总之，我们为峰值神经网络中短期突触可塑性的宏观效应提供了新的见解，并为未来对这些网络的研究提供了两种不同的平均场描述。

原文：Mean-field approximations of networks of spiking neurons with short-term synaptic plasticity

译文：具有短期突触可塑性的峰值神经元网络的平均场近似