🧠 Spikendes neuronales Netzwerk

Es ist ein vereinfachtes Neuronenmodell, bei dem eine einzelne Variable, das Membranpotenzial V, mit der Zeit zu einem Ruhewert hin abklingt (das „Leak“), während es gleichzeitig eingehenden Strom aus externem Antrieb und synaptischem Input integriert. Überschreitet V eine feste Schwelle, sendet das Neuron einen Spike aus, V wird zurückgesetzt, und das Neuron reagiert während einer Refraktärzeit kurzzeitig nicht. Es erfasst das wesentliche Spiking-Verhalten realer Neuronen, ohne detaillierte Ionenkanal-Biophysik zu modellieren.

K legt fest, wie viele zufällige gerichtete Synapsen jedes Neuron zu anderen Neuronen im Netzwerk sendet, und steuert damit, wie dicht die Population verbunden ist. Der erregende Anteil legt fest, welcher Prozentsatz der Neuronen bei einem Spike positiven Strom zu ihren Zielen hinzufügt, während der Rest hemmend wirkt und Strom subtrahiert, was durchgehende Aktivität zügelt.

Er vergleicht, wie gleichmäßig Spikes über die Zeit verteilt sind, mit wie stark sie geklumpt sind. Spike-Zeiten werden über die letzte Sekunde in kurze 20-Millisekunden-Bins gruppiert, und die Varianz der Spike-Anzahlen über diese Bins wird durch den Mittelwert normalisiert. Ein niedriger Wert bedeutet, dass Neuronen recht unabhängig und gleichmäßig über die Zeit feuern; ein hoher Wert bedeutet, dass viele Neuronen tendenziell gemeinsam in engen Bursts feuern.

Wenn die erregende Kopplung im Verhältnis zur Hemmung stark ist, liefern einige gemeinsam feuernde Neuronen genug zusätzlichen Strom, um viele ihrer Nachbarn gleichzeitig über die Schwelle zu drücken, und dieser Burst kaskadiert durch das Netzwerk. Dieser durchgehende Effekt wird verringert, indem der hemmende Anteil erhöht oder die Kopplungsstärke und der externe Antrieb gesenkt werden — genau das demonstrieren die Voreinstellungen „Hemmungsdominiert“ und „Spärlich“.

Sie erfasst zentrale Prinzipien des Spikings — Schwellenwerte, Refraktärzeiten, das Gleichgewicht von Erregung/Hemmung sowie netzwerkgetriebene Synchronität —, ist aber ein vereinfachtes Modell und keine biophysikalisch detaillierte Simulation. Sie verwendet willkürliche Einheiten und eine zufällige gerichtete Graphkonnektivität statt realistischer Axonverzögerungen, dendritischer Geometrie oder Ionenkanalkinetik, weshalb sie sich am besten eignet, um Intuition für netzwerkweites Spiking-Verhalten aufzubauen, statt quantitative experimentelle Daten zu reproduzieren.