Universität zu Köln

Schmitt, Felix J. ORCID: 0000-0002-5902-9372 (2026). Metastability in Spiking Attractor Networks: Scalable Simulation and Cortical Decision Dynamics. PhD thesis, Universität zu Köln.

PDF Dissertation_Schmitt_Publication.pdf Download (4MB)

Abstract

Metastability in spiking attractor networks denotes a regime of neural computation defined by noise-driven transitions among discrete coexisting population states. This thesis studies that regime in spiking attractor networks with locally balanced excitatory-inhibitory clustered connectivity and asks whether it can be simulated at scale, whether metastable computation depends on how clustering is structurally implemented, and whether it can account for cortical decision dynamics under uncertainty. GPU- and CPU-based simulation and calibration methods achieve real-time performance for networks of up to 100,000 neurons. A unified framework introduces a single mixing parameter that interpolates continuously between clustering by connection probability and clustering by synaptic weight while preserving the mean input of a balanced random network. Mean-field analysis and network simulations show that metastable dynamics persist across this continuum, although correlation structure, co-activation patterns, and bifurcation structure depend on the specific implementation. When tested against motor-cortical recordings from monkeys performing a delayed-reach task under graded target uncertainty, the model reproduces uncertainty-dependent modulation of trial-to-trial variability, constant spiking irregularity, and condition-dependent reaction times. In this way, it links metastable attractor dynamics to neural and behavioral variability during competitive action selection. These results establish spiking attractor networks with locally balanced excitatory-inhibitory clustered connectivity as a scalable, analytically tractable, and experimentally grounded model class for metastable cortical decision dynamics. Their explanatory reach can therefore be assessed without committing to a unique microscopic wiring motif.

Item Type:	Thesis (PhD thesis)
Translated abstract:	Abstract Language Metastabilität in spikenden Attraktornetzwerken bezeichnet ein Regime neuronaler Berechnung, das durch rauschgetriebene Übergänge zwischen diskreten, koexistierenden Populationszuständen gekennzeichnet ist. Die Arbeit untersucht dieses Regime in spikenden Attraktornetzwerken mit lokal balancierter exzitatorisch-inhibitorischer (E/I) Cluster-Konnektivität und fragt, ob es sich skalierbar simulieren lässt, ob metastabile Berechnung davon abhängt, wie Clustering strukturell realisiert wird, und ob sich damit kortikale Entscheidungsdynamik unter Unsicherheit erklären lässt. GPU- und CPU-basierte Simulations- und Kalibrierungsmethoden erreichen Echtzeitfähigkeit für Netzwerke mit bis zu 100.000 Neuronen. In einem einheitlichen Rahmen interpoliert ein einzelner Mischungsparameter kontinuierlich zwischen Clustering über Verbindungswahrscheinlichkeit und Clustering über synaptische Gewichte, wobei der mittlere Input eines balancierten Zufallsnetzwerks erhalten bleibt. Mean-Field-Analyse und Netzwerksimulationen zeigen, dass Metastabilität über dieses Kontinuum hinweg bestehen bleibt, während Korrelationen, Koaktivierungsmuster und Bifurkationsstruktur von der konkreten Implementierung abhängen. Im Abgleich mit motorkortikalen Ableitungen von Makaken während einer Delayed-Reach-Aufgabe unter abgestufter Zielunsicherheit reproduziert das Modell die unsicherheitsabhängige Modulation der Trial-to-Trial-Variabilität, konstante Spiking-Irregularität und bedingungsabhängige Reaktionszeiten. Damit verknüpft es metastabile Attraktordynamik mit der neuronalen und der Verhaltensvariabilität bei kompetitiver Handlungsselektion. Diese Ergebnisse etablieren spikende Attraktornetzwerke mit lokal balancierter E/I-Cluster-Konnektivität als skalierbare, analytisch zugängliche und experimentell fundierte Modellklasse für metastabile kortikale Entscheidungsdynamik. Ihre Erklärungsreichweite lässt sich damit beurteilen, ohne sich auf ein eindeutiges mikroskopisches Konnektivitätsmotiv festzulegen. German
Creators:	Creators Email ORCID ORCID Put Code Schmitt, Felix J. felix.schmitt@uni-koeln.de https://orcid.org/0000-0002-5902-9372 UNSPECIFIED
URN:	urn:nbn:de:hbz:38-810962
Date:	2026
Language:	English
Faculty:	Faculty of Mathematics and Natural Sciences
Divisions:	Faculty of Mathematics and Natural Sciences > Department of Biology > Zoologisches Institut
Subjects:	Natural sciences and mathematics Life sciences
Uncontrolled Keywords:	Keywords Language Spiking attractor networks English metastable dynamics English cortical decision-making English
Date of oral exam:	23 July 2026
Referee:	Name Academic Title Nawrot, Martin Paul Prof. Dr. Nowotny, Thomas Prof. Dr
Refereed:	Yes
URI:	http://kups.ub.uni-koeln.de/id/eprint/81096