van Meegen, Alexander ORCID: 0000-0003-2766-3982 (2022). Simulation and Theory of Large-Scale Cortical Networks. PhD thesis, Universität zu Köln.

[img] PDF
Thesis.pdf

Download (8MB)

Abstract

Cerebral cortex is composed of intricate networks of neurons. These neuronal networks are strongly interconnected: every neuron receives, on average, input from thousands or more presynaptic neurons. In fact, to support such a number of connections, a majority of the volume in the cortical gray matter is filled by axons and dendrites. Besides the networks, neurons themselves are also highly complex. They possess an elaborate spatial structure and support various types of active processes and nonlinearities. In the face of such complexity, it seems necessary to abstract away some of the details and to investigate simplified models. In this thesis, such simplified models of neuronal networks are examined on varying levels of abstraction. Neurons are modeled as point neurons, both rate-based and spike-based, and networks are modeled as block-structured random networks. Crucially, on this level of abstraction, the models are still amenable to analytical treatment using the framework of dynamical mean-field theory. The main focus of this thesis is to leverage the analytical tractability of random networks of point neurons in order to relate the network structure, and the neuron parameters, to the dynamics of the neurons—in physics parlance, to bridge across the scales from neurons to networks. More concretely, four different models are investigated: 1) fully connected feedforward networks and vanilla recurrent networks of rate neurons; 2) block-structured networks of rate neurons in continuous time; 3) block-structured networks of spiking neurons; and 4) a multi-scale, data-based network of spiking neurons. We consider the first class of models in the light of Bayesian supervised learning and compute their kernel in the infinite-size limit. In the second class of models, we connect dynamical mean-field theory with large-deviation theory, calculate beyond mean-field fluctuations, and perform parameter inference. For the third class of models, we develop a theory for the autocorrelation time of the neurons. Lastly, we consolidate data across multiple modalities into a layer- and population-resolved model of human cortex and compare its activity with cortical recordings. In two detours from the investigation of these four network models, we examine the distribution of neuron densities in cerebral cortex and present a software toolbox for mean-field analyses of spiking networks.

Item Type: Thesis (PhD thesis)
Translated abstract:
AbstractLanguage
Die Großhirnrinde besteht aus komplizierten Netzwerken von Neuronen. Diese neuronalen Netze sind stark untereinander verbunden: Jedes Neuron erhält im Durchschnitt Input von Tausenden oder mehr präsynaptischen Neuronen. Um eine solche Anzahl von Verbindungen zu ermöglichen, ist ein Großteil des Volumens der Substantia grisea mit Axonen und Dendriten gefüllt. Neben den Netzwerken sind auch die Neuronen selbst hochgradig komplex. Sie besitzen eine ausgefeilte räumliche Struktur und unterstützen verschiedene Arten von aktiven Prozessen und Nichtlinearitäten. Angesichts dieser Komplexität erscheint es notwendig, einige Details zu abstrahieren und vereinfachte Modelle zu untersuchen. In dieser Arbeit werden solche vereinfachten Modelle neuronaler Netze auf verschiedenen Abstraktionsebenen untersucht. Neuronen werden als Punktneuronen modelliert, sowohl ratenbasiert als auch spikebasiert, und Netzwerke werden als blockstrukturierte Zufallsnetzwerke modelliert. Entscheidend ist, dass die Modelle auf dieser Abstraktionsebene immer noch einer analytischen Behandlung im Rahmen der dynamischen Mean-Field-Theorie zugänglich sind. Das Hauptaugenmerk dieser Arbeit liegt darauf, die analytische Behandelbarkeit von Zufallsnetzwerken aus Punktneuronen zu nutzen, um die Netzwerkstruktur und die Neuronenparameter mit der Dynamik der Neuronen in Beziehung zu setzen - um in der Sprache der Physik eine Brücke von Neuronen zu Netzwerken zu schlagen. Konkret werden vier verschiedene Modelle untersucht: 1) vollständig verbundene Feedforward-Netzwerke und einfache rekurrente Netzwerke von Ratenneuronen; 2) blockstrukturierte Netzwerke von Ratenneuronen in kontinuierlicher Zeit; 3) blockstrukturierte Netzwerke von spikenden Neuronen; und 4) ein multiskaliges, datenbasiertes Netzwerk von spikenden Neuronen. Wir betrachten die erste Klasse von Modellen im Lichte des überwachten Bayes'schen Lernens und berechnen ihren Kernel im Limes unendlicher Größe. Bei der zweiten Klasse von Modellen verbinden wir die dynamische Mean-Field-Theorie mit der Theorie der großen Abweichungen, berechnen Fluktuationen jenseits des Mean-Fields und führen eine Parameterinferenz durch. Für die dritte Klasse von Modellen entwickeln wir eine Theorie für die Autokorrelationszeit der Neuronen. Schließlich fassen wir Daten mehrerer Modalitäten zu einem schicht- und populationsaufgelösten Modell des menschlichen Kortex zusammen und vergleichen dessen Aktivität mit kortikalen Messungen. In zwei Abstechern von der Untersuchung dieser vier Netzwerkmodelle untersuchen wir die Verteilung der Neuronendichte in der Großhirnrinde und stellen eine Software-Toolbox für Mean-Field-Analysen von spikenden Netzwerken vor.German
Creators:
CreatorsEmailORCIDORCID Put Code
van Meegen, Alexandermeegenal@gmail.comorcid.org/0000-0003-2766-3982UNSPECIFIED
Contributors:
ContributionNameEmail
Censorvan Albada, Sachas.van.albada@fz-juelich.de
CensorHelias, Moritzm.helias@fz-juelich.de
CensorBerg, Johannesbergj@uni-koeln.de
CensorGerstner, Wulframwulfram.gerstner@epfl.ch
URN: urn:nbn:de:hbz:38-644656
Date: 2022
Place of Publication: Köln
Language: English
Faculty: Faculty of Mathematics and Natural Sciences
Divisions: Außeruniversitäre Forschungseinrichtungen > Forschungszentrum Jülich
Subjects: Physics
Life sciences
Uncontrolled Keywords:
KeywordsLanguage
neuronal networksEnglish
network dynamicsEnglish
Date of oral exam: 22 August 2022
Referee:
NameAcademic Title
van Albada, SachaProf. Dr.
Helias, MoritzProf. Dr.
Berg, JohannesProf. Dr.
Gerstner, WulframProf. Dr.
Funders: Promotionsstipendium der Studienstiftung des deutschen Volkes e.V.
Refereed: Yes
URI: http://kups.ub.uni-koeln.de/id/eprint/64465

Downloads

Downloads per month over past year

Export

Actions (login required)

View Item View Item