Análisis estocástico en modelos de redes neuronales biológicas

Mostrar todas las versiones(2)

En esta tesis estudiamos modelos estocásticos que representan el comportamiento del potencial de acción de una red neuronal biológica exitatoria. Estos modelos, que son variaciones del modelo descrito en [RT16], evolucionan mediante procesos de Poisson inhomogéneos que dan cuenta de la aleatoriedad...

Descripción completa

Detalles Bibliográficos
Autor principal: Altamirano Carlavan, Pedro Maximiliano
Otros Autores: Jonckheere, Matthieu Thimothy Samson
Formato: Tesis doctoral publishedVersion
Lenguaje:Español
Publicado: Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales 2023
Materias:
REDES NEURONALES
PROCESOS DE MCKEAN-VLASOV
PROCESOS ESTOCASTICOS
LIMITES HIDRODINAMICOS
PROPAGACION DEL CAOS
NEURAL NETWORKS
MCKEAN-VLASOV PROCESSES
STOCHASTIC PROCESSES
HYDRODYNAMIC LIMITS
PROPAGATION OF CHAOS
Acceso en línea:https://hdl.handle.net/20.500.12110/tesis_n7389_AltamiranoCarlavan
Aporte de:
Biblioteca Digital - Facultad de Ciencias Exactas y Naturales (UBA) de Universidad de Buenos Aires
id tesis:tesis_n7389_AltamiranoCarlavan
record_format dspace
spelling tesis:tesis_n7389_AltamiranoCarlavan2025-03-31T21:53:41Z Análisis estocástico en modelos de redes neuronales biológicas Stochastic analysis in biological neural network models Altamirano Carlavan, Pedro Maximiliano Jonckheere, Matthieu Thimothy Samson REDES NEURONALES PROCESOS DE MCKEAN-VLASOV PROCESOS ESTOCASTICOS LIMITES HIDRODINAMICOS PROPAGACION DEL CAOS NEURAL NETWORKS MCKEAN-VLASOV PROCESSES STOCHASTIC PROCESSES HYDRODYNAMIC LIMITS PROPAGATION OF CHAOS En esta tesis estudiamos modelos estocásticos que representan el comportamiento del potencial de acción de una red neuronal biológica exitatoria. Estos modelos, que son variaciones del modelo descrito en [RT16], evolucionan mediante procesos de Poisson inhomogéneos que dan cuenta de la aleatoriedad intrínseca de las neuronas y tienen interacciones de caracter sparse: cuando una neurona dada efectúa un spike, ésta incrementa el potencial de un número fijo de neuronas aleatoriamente elegidas. En esta tesis mostraremos que esta clase estudiada de modelos para una red neuronal finita siempre termina en la extinción de la actividad neuronal; mientras que, en el límite, la red infinita de neuronas puede sostener la actividad indefinidamente, dependiendo de parámetros relacionados con la intensidad y la cantidad de interacciones en cada spike. Mostraremos entonces una transición de fase en términos de la distribución estacionaria de la red infinita, que puede ser no-trivial. De esta manera, modelamos el fenómeno biológico de persistencia: La red neuronal, si bien eventualmente muere, puede mostrar actividad para tiempos grandes dependiendo de la población de la red. El desarrollo de esta tesis resultó en el siguiente trabajo [ACJL23], realizado junto a Matthieu Jonckheere, Roberto Cortez y Lasse Lëskela, y existen varias líneas de trabajo posibles que derivan de lo desarrollado aquí. In this thesis we study stochastic models representing the behaviour of the action potential of an exitatory biological neural network. These models, inspired by the one defined in [RT16], evolve through inhomogeneous Poisson processes accounting for the intrinsic randomness of neurons and have sparse-tipe interactions: when a neuron fires, it gives an impulse to the potential of a fixed number of randomly chosen neurons within the network. In this work, we will show that these models always come to extintion when the neural network is finite, whereas the infinite network can sustain activity forever, depending on parameters related to the intensity and the amount of interactions in each spike. We will show a phase transition in terms of the stationary distribution of the infinite network, which could be non-trivial. Consequently, we model the biological phenomenon of persistence: Even though the activity of the neural network eventually dies, it can remain active for a long time, depending on the network population. The development of this thesis resulted in the following work [ACJL23], in collaboration with Matthieu Jonckheere, Roberto Cortez and Lasse Lëskela, and several lines of work can be derived from the results presented here. Fil: Altamirano Carlavan, Pedro Maximiliano. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales 2023-07-04 info:eu-repo/semantics/doctoralThesis info:ar-repo/semantics/tesis doctoral info:eu-repo/semantics/publishedVersion application/pdf spa info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar https://hdl.handle.net/20.500.12110/tesis_n7389_AltamiranoCarlavan
institution Universidad de Buenos Aires
institution_str I-28
repository_str R-134
collection Biblioteca Digital - Facultad de Ciencias Exactas y Naturales (UBA)
language Español
orig_language_str_mv spa
topic REDES NEURONALES
PROCESOS DE MCKEAN-VLASOV
PROCESOS ESTOCASTICOS
LIMITES HIDRODINAMICOS
PROPAGACION DEL CAOS
NEURAL NETWORKS
MCKEAN-VLASOV PROCESSES
STOCHASTIC PROCESSES
HYDRODYNAMIC LIMITS
PROPAGATION OF CHAOS
spellingShingle REDES NEURONALES
PROCESOS DE MCKEAN-VLASOV
PROCESOS ESTOCASTICOS
LIMITES HIDRODINAMICOS
PROPAGACION DEL CAOS
NEURAL NETWORKS
MCKEAN-VLASOV PROCESSES
STOCHASTIC PROCESSES
HYDRODYNAMIC LIMITS
PROPAGATION OF CHAOS
Altamirano Carlavan, Pedro Maximiliano
Análisis estocástico en modelos de redes neuronales biológicas
topic_facet REDES NEURONALES
PROCESOS DE MCKEAN-VLASOV
PROCESOS ESTOCASTICOS
LIMITES HIDRODINAMICOS
PROPAGACION DEL CAOS
NEURAL NETWORKS
MCKEAN-VLASOV PROCESSES
STOCHASTIC PROCESSES
HYDRODYNAMIC LIMITS
PROPAGATION OF CHAOS
description En esta tesis estudiamos modelos estocásticos que representan el comportamiento del potencial de acción de una red neuronal biológica exitatoria. Estos modelos, que son variaciones del modelo descrito en [RT16], evolucionan mediante procesos de Poisson inhomogéneos que dan cuenta de la aleatoriedad intrínseca de las neuronas y tienen interacciones de caracter sparse: cuando una neurona dada efectúa un spike, ésta incrementa el potencial de un número fijo de neuronas aleatoriamente elegidas. En esta tesis mostraremos que esta clase estudiada de modelos para una red neuronal finita siempre termina en la extinción de la actividad neuronal; mientras que, en el límite, la red infinita de neuronas puede sostener la actividad indefinidamente, dependiendo de parámetros relacionados con la intensidad y la cantidad de interacciones en cada spike. Mostraremos entonces una transición de fase en términos de la distribución estacionaria de la red infinita, que puede ser no-trivial. De esta manera, modelamos el fenómeno biológico de persistencia: La red neuronal, si bien eventualmente muere, puede mostrar actividad para tiempos grandes dependiendo de la población de la red. El desarrollo de esta tesis resultó en el siguiente trabajo [ACJL23], realizado junto a Matthieu Jonckheere, Roberto Cortez y Lasse Lëskela, y existen varias líneas de trabajo posibles que derivan de lo desarrollado aquí.
author2 Jonckheere, Matthieu Thimothy Samson
author_facet Jonckheere, Matthieu Thimothy Samson
Altamirano Carlavan, Pedro Maximiliano
format Tesis doctoral
Tesis doctoral
publishedVersion
author Altamirano Carlavan, Pedro Maximiliano
author_sort Altamirano Carlavan, Pedro Maximiliano
title Análisis estocástico en modelos de redes neuronales biológicas
title_short Análisis estocástico en modelos de redes neuronales biológicas
title_full Análisis estocástico en modelos de redes neuronales biológicas
title_fullStr Análisis estocástico en modelos de redes neuronales biológicas
title_full_unstemmed Análisis estocástico en modelos de redes neuronales biológicas
title_sort análisis estocástico en modelos de redes neuronales biológicas
publisher Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
publishDate 2023
url https://hdl.handle.net/20.500.12110/tesis_n7389_AltamiranoCarlavan
work_keys_str_mv AT altamiranocarlavanpedromaximiliano analisisestocasticoenmodelosderedesneuronalesbiologicas
AT altamiranocarlavanpedromaximiliano stochasticanalysisinbiologicalneuralnetworkmodels
_version_ 1831981599701336064

Ejemplares similares