Стабильность самоподдерживающейся спайковой активности в минимальной сети рабочей памяти

Данная работа в области вычислительной нейронауки является попыткой моделирования на клеточном уровне механизмов, лежащих в основе рабочей памяти. В работе показано, что бистабильность является основным требуемым динамическим свойством системы, необходимым для построения модели активности, связанной с поддержанием следа памяти и сравнимой с так называемой "самоподдерживающейся активностью", наблюдаемой в некоторых клетках коры головного мозга. Предлагаемая модель состоит из двух нейронов типа Quadratic Integrate и Fire (QIF), которые взаимно связаны и образуют, таким образом, нейрональный осциллятор. Колебательная активность системы соответствует формированию предельного цикла в фазовом пространстве и отвечает за хранение информации. В определенном диапазоне параметров состояние покоя сосуществует с колебательным состоянием, что позволяет переключаться между двумя различными режимами. В работе изучается переход из активного состояния в состояние покоя при разных условиях. Во-первых, обсуждаются эффекты кратковременных возбуждающих и тормозных импульсов как возможный механизм очистки памяти. Затем исследуется влияние случайных возмущений, в ходе которого выясняется, каким образом шум различной интенсивности вызывает прекращение самоподдерживающейся активности. Предполагается, что биологические нейронные сети, возможно, используют нерегулярность активности (являющуюся типичным явлением для работы мозга) в качестве механизма для удаления нерелевантной информации из рабочей памяти. В частности, в нашей рекуррентной бистабильной модели изучается явление обратного стохастического резонанса (ISR). Были детально исследованы следующие показатели: оптимальный уровень шума, приводящий к очистке памяти; зависимость вероятности очистки памяти от уровня шума; характер паттерна спайковой активности при различных уровнях шума; ширина области обратного стохастического резонанса. Проведенное исследование позволяет выявить оптимальные параметры для модели рабочей памяти.