基于复杂神经元动态特性的网络时空同步及其多路编码的动力学研究

Aiming at exploring the mechanisms of neuronal networked spatial-temporal synchronization and its roles in cognitive function of human brain, by using of the theories and methods of nonlinear dynamics and information theory, this project studies the problems of networked spatial-temporal synchronization and its multiplex coding based on complex neuronal dynamical properties from the three aspects of theoretical analysis, numerical simulations and experiments. First, the neuronal properties of integrators/coincidence detectors and coincidence integration of dendrites are studied, and then the spatial-temporal synchronization dynamics caused by these properties are explored. Second, the multiplex coding based on the complex neuronal spatial-temporal patterns, namely, rate coding and spatial-temporal synchronization coding in the same neuronal network, are studied. Finally, the above theories are applied to auditory systems and the according experiments are carried out to verify those theories. This project is helpful for revealing the relationship of neural cognitive function and neurodynamics, exploring the connections among microcosmic, mesoscopic and macroscopic neurodynamic researches, and promoting the breaks of the related theories and applications of nonlinear dynamics, neuroscience and information science.

针对神经元网络时空同步现象的产生机理及其对于大脑的认知功能的作用问题，本项目利用非线性动力学和信息论的理论和方法，从理论分析、数值仿真和实验观察三个方面研究基于复杂神经元动态特性的网络时空同步及其多路编码的动力学问题。首先研究神经元的积分/一致性检测特性和树突的空间同步检测特性，并研究这些特性作用下的神经元网络时空同步行为和特点；然后研究基于神经元网络复杂时空同步模式的多路编码模式，即研究在同一神经元网络系统中放电率编码和时空同步编码并存的多路编码方式；最后将以上理论应用于听觉神经系统中，并进行实验验证。本项目有助于揭示神经动力学行为与神经认知功能的关系，探索神经动力学微观、介观和宏观层次研究的联系，推动非线性动力学、神经科学以及信息科学相关理论和应用的新突破。

本项目针对神经元网络时空同步现象的产生机理及其对于大脑的认知功能的作用问题，主要利用非线性动力学和信息论的理论和方法，研究复杂神经元网络时空同步及其信息编码的动力学问题，并尝试将研究结果应用于改进人工神经网络。首先从系统论的角度研究神经系统的编码原理，利用信息论研究并给出了神经系统的调谐编码曲线的通用确定方法，为神经调谐曲线的确定这一生物神经信息处理研究的基本问题提供了一种思路；接着从介观角度构建兴奋性/抑制性神经元网络，研究网络对于不同输入刺激的放电率编码模式，给出了神经网络抑制性同步处理输入信息的一种机理，并利用一系列模型加以验证，为神经网络同步行为对认知功能的作用提供了一种解释；还对兴奋性/抑制性神经网络动力学作了一系列研究，主要研究了噪声、时滞、抑制性突触等对神经网络动力学行为的影响，其成果丰富了神经动力学复杂行为及其机理的研究；之后对脉冲神经网络的构建提出大规模并行处理算法，并研究了深度学习神经网络在模式识别方面的应用，为将来进一步将神经网络用于大规模计算和实际应用奠定基础。本项目有助于揭示神经动力学行为与神经认知功能的关系，探索神经动力学微观、介观和宏观层次研究的联系，推动非线性动力学、神经科学、信息科学相关理论和应用的新发展，尤其有利于架构生物神经网络和人工神经网络之间的桥梁，推动类脑智能的突破。