Schnelles Wechseln von Zuständen in balancierten kortikalen Netzwerkmodellen

Wir haben ein Netzwerkmodell von kortikalen Mikroschaltkreisen untersucht, das auf integrierenden und feuernden Neuronen basiert, in einem Regime, in dem der Reset nach einem Spike gering ist, die rekurrente Erregung durch Feedback-Hemmung ausgeglichen wird und die Aktivität sehr unregelmäßig ist. Dieses Regime kann nicht durch eine Mean-Field-Theorie beschrieben werden, die sich auf durchschnittliche Aktivitätsniveaus stützt, da wesentliche Merkmale des Modells von den Schwankungen vom Durchschnitt abhängen. Wir schlagen einen neuen Weg vor, die Stärke der synaptischen Wechselwirkung mit der Größe des Netzwerks zu skalieren: Statt die Amplitude der Synapse zu skalieren, skalieren wir die Wahrscheinlichkeiten der Neurotransmitterfreisetzung mit der Anzahl der Inputs, um den durchschnittlichen Input konstant zu halten. Dies steht im Einklang mit der niedrigen Wahrscheinlichkeitsfreisetzung von Transmittern, die in der Mehrheit der hippocampalen Synapsen beobachtet wird. Ein weiteres bemerkenswertes Merkmal dieses Regimes ist die Fähigkeit des Netzwerks, schnell zwischen verschiedenen Zuständen zu wechseln, wie in einem Modell basierend auf Orientierungssäulen im visuellem Kortex von Säugetieren demonstriert. Sowohl die Netzwerk- als auch die intrinsischen Eigenschaften der Neuronen tragen dazu bei, die Ausgleichsbedingung zu erreichen, die schnelles Wechseln von Zuständen ermöglicht.