Correlações de entrada impedem a supressão do caos e o aprendizado em redes de taxa de disparo balanceadas

Os circuitos neurais exibem padrões de atividade complexos, tanto espontaneamente quanto evocados por estímulos externos. A codificação de informações e o aprendizado em circuitos neurais dependem de quão bem estímulos variáveis ao longo do tempo podem controlar a atividade espontânea da rede. Mostramos que, em redes de taxa de disparo no estado balanceado, o controle externo da dinâmica recursiva, ou seja, a supressão da variabilidade caótica gerada internamente, depende fortemente das correlações na entrada. Uma característica distintiva das redes balanceadas é que, como a entrada externa comum é dinamicamente cancelada pelo feedback recursivo, é muito mais difícil suprimir o caos com uma entrada comum em cada neurônio do que através de uma entrada independente. Para estudar esse fenômeno, desenvolvemos uma teoria de campo médio dinâmico não estacionária para redes dirigidas. A teoria explica como as estatísticas da atividade e o maior expoente de Lyapunov dependem da frequência e da amplitude da entrada, da força de acoplamento recursivo e do tamanho da rede, tanto para entradas comuns quanto independentes. Além disso, mostramos que entradas não correlacionadas facilitam o aprendizado em redes balanceadas.