我们代表一个通用网络神经元(标记)作为图形;节点代表每个神经元,边缘是突触连接(见图1). 每个节点()也具有与时间相关的状态,表示神经元的活动。特别是,我们网络的节点可以处于三种状态中的任何一种:静止(Q),或静默但可以触发;激活(A)或点火;或耐火材料(R),或无法点火。此外,每个节点的状态随时间随机演化:然后选择每一个转换的速率来反映真实神经元的生物物理动力学。
我们使用最大口径原则(Max-Cal)直接从数据中推断出这些跃迁(Dixit等人。,2018; Ghosh等人。,2020; Pressé等人。,2013). 在这里,最大熵的动态扩展Max-Cal提供了最简单且偏差最小的模型,该模型与一些已知的转换速率相一致,例如平均神经元放电速率和相关性(Dixit等人。,2018; Ghosh等人。,2020; Pressé等人。,2013; Tkacik等人。,2006). 该模型采用概率分布的形式在不同的动力学轨迹上神经元的数量。
使用Max-Cal,我们模拟了神经元在每种状态下的比例(,、和)随时间演变。虽然我们的方法适用于任何数量的神经元,但我们将重点放在这个数量较大的情况下。首先,它提供了一个巨大的简化,因为我们可以使用平均场理论研究模型的长期行为(Deco等人。,2008; 郭士纳,2000; Jirsa和Haken,1997; Omurtag、Knight和Sirovich,2000). 其次,这通常是一个合理的近似值,因为当系统的组件数量达到时,系统行为会收敛到其平均值很大。