DOI: https://doi.org/10.3389/fnetp.2026.1774273
PMID: https://pubmed.ncbi.nlm.nih.gov/41970464
تاريخ النشر: 2026-03-26
المؤلف: Sayantan Nag Chowdhury وآخرون
الموضوع الرئيسي: الديناميات غير الخطية وتشكيل الأنماط
نظرة عامة
تبحث هذه الدراسة في نماذج كوراموتو العامة مع وصلات تكيفية غير متبادلة، خاصة في سياق الشبكات العصبية. تستخدم الدراسة تحليل التفرع والتكامل العددي لاستكشاف كيفية تأثير الوصلات غير المتبادلة – التي تحكمها قواعد هيبيان ومناهضة هيبيان – على ديناميات المتذبذبات. من النتائج الرئيسية هو ظهور مجموعات متزامنة في حالة مضادة للمرحلة، حيث تقوم المتذبذبات الفردية، المشار إليها باسم “متذبذبات التبديل”، بتغيير انتماءاتها بين المجموعات بشكل دوري. يقدم هذا السلوك “روابط ضعيفة” بين المجموعات، مما يعكس آلية للميتابولية تختلف عن الديناميات التقليدية غير المتجانسة.
يستنتج المؤلفون أن الميتابولية الملحوظة تتأثر بمعلمات النظام مثل حجم الشبكة والاتصال. يقترحون أن المتذبذبات الفردية يمكن أن تمثل مجموعات عصبية ميسوسكوبية، مما يشير إلى أن الأنظمة الصغيرة يمكن أن تظهر ديناميات معقدة ذات صلة بوظيفة الدماغ. تشمل اتجاهات البحث المستقبلية استكشاف الإمكانية لوجود أكثر من مجموعتين متزامنتين والتحقيق في تأثيرات التفاعلات غير المتبادلة في نماذج متذبذبات أخرى، والتي قد تكشف عن ظواهر جماعية جديدة في الشبكات العصبية.
مقدمة
تناقش مقدمة هذه الورقة البحثية دمج المنظورات السلوكية والعصبية حول التعلم من خلال عدسة اللدونة المشبكية، مع الإشارة بشكل خاص إلى فرضية هيب، التي تفترض أن التنشيط المتكرر لخلية عصبية بواسطة أخرى يعزز قدرة الأولى على تحفيز الثانية. لقد ألهم هذا المفهوم الأساسي نماذج مختلفة من الشبكات العصبية التي تستخدم قواعد الارتباط قبل المشبكي وبعد المشبكي لتمثيل التغيرات المشبكية رياضيًا. تتتبع الورقة تطور هذه الأفكار من الاقتراح الأولي لهيب إلى تطوير بيرسيبترون بواسطة روزنبلات، وأيضًا إلى نظريات الشبكات العصبية التكيفية التي تتماشى مع مبادئ التعلم الكلاسيكي، وخاصة من خلال عمل ساتون وبارتو.
يبرز المؤلفون أهمية نماذج المتذبذبات الطورية، وخاصة نموذج كوراموتو، في فهم ظواهر التزامن في الشبكات العصبية. يؤكدون أن الوصلات التكيفية في الأنظمة المتذبذبة يمكن أن تؤدي إلى ديناميات معقدة، بما في ذلك الاستثارة الجماعية والهياكل المنظمة ذاتيًا. تهدف الورقة إلى استكشاف تداعيات التكيف غير المتبادل في أنماط التزامن داخل نماذج كوراموتو العامة، مع التركيز بشكل خاص على التفاعل بين قواعد هيبيان ومناهضة هيبيان التي تعمل على مقاييس زمنية مختلفة. تشير النتائج إلى أن مثل هذه الديناميات يمكن أن تؤدي إلى حالات ميتابولية، والتي قد تكون ذات صلة بفهم العمليات المعرفية العابرة في الدماغ، كما تشير الدراسات التصويرية العصبية. يتم توضيح هيكل الورقة، مع تفاصيل حول تنوع النماذج، والنتائج المتعلقة بأنماط التزامن، والرؤى الختامية.
النتائج
في قسم النتائج، يناقش المؤلفون أولاً الحالات الثابتة النموذجية للنظام ويبررون اختيارهم للمعلمات، التي تظل متسقة طوال الدراسة. ثم يستكشفون خصائص العشوائية التي تظهر على الرغم من الطبيعة الحتمية للديناميات، مع التأكيد على تأثير الظروف الأولية، وحجم النظام، ووجود الاضطراب على هذه الميزات.
بعد ذلك، يفحص المؤلفون صيغًا مختلفة من نموذج كوراموتو العام، مع تسليط الضوء على كيفية مساهمة هذه النسخ المختلفة في فهم سلوك النظام. يوفر هذا التحليل رؤى حول التفاعل بين الديناميات الحتمية والعناصر العشوائية، مما يبرز تعقيد النظام قيد التحقيق.
المناقشة
في هذا القسم، يستكشف المؤلفون مجموعة من $N \geq 2$ من المتذبذبات الطورية التي تحكمها نموذج كوراموتو المعدل الذي يتميز بوصلات غير متبادلة تكيفية. يتم وصف ديناميات كل متذبذب بالمعادلة $\dot{\theta_i} = \omega_i + \frac{1}{N} \sum_{j=1}^{N} k_{ij} \sin(\theta_j – \theta_i) + \xi_i(t)$، حيث $\omega_i$ هو التردد الداخلي، و$k_{ij}$ يمثل قوة الوصلة المعتمدة على الزمن، و$\xi_i(t)$ تشير إلى الضوضاء البيضاء الغاوسية. تم تصميم مصفوفة الوصلات لتظهر معدلات تكيف مختلفة للمكونات المثلثية العليا والسفلى، مما يؤدي إلى ديناميات طورية متميزة تتميز بقواعد هيبيان ومناهضة هيبيان. يركز المؤلفون على ظهور الميتابولية في النظام، والتي تكون غائبة في سيناريوهات الوصلات المتبادلة، ويظهرون أن هذا السلوك ينشأ عندما تكون معدلات التكيف مختلفة بشكل كبير ($\epsilon_1 \gg \epsilon_2$) وتكون التحولات الطورية غير متناظرة ($\beta_1 \neq \beta_2$).
تستخدم الدراسة محاكاة عددية لاستكشاف العلاقة بين معدلات التكيف والحالات الجماعية، كاشفة أن النظام يمكن أن يظهر مجموعتين مضادتين للمرحلة أو ديناميات غير متماسكة اعتمادًا على قيم المعلمات. يقوم المؤلفون بتحديد التزامن باستخدام معلمات ترتيب كوراموتو الأولى والثانية، $R$ و$R_2$، على التوالي. يجدون أن سلوك النظام حساس للظروف الأولية وتوزيع الترددات الطبيعية، مع ظهور الميتابولية كمتذبذبات تقوم أحيانًا بتبديل انتماءاتها للمجموعات، مما يؤدي إلى تقلبات في معلمات الترتيب. يقترح المؤلفون أيضًا إطارًا تنبؤيًا لتحديد أي المتذبذبات من المحتمل أن تقوم بتبديل المجموعات بناءً على سرعاتها الطورية والمسافات من عتبة فصل الطور، مما يظهر دقة تنبؤية عالية في المحاكاة. بشكل عام، تسلط النتائج الضوء على التفاعل المعقد بين ديناميات الوصلات وتزامن الطور في شبكات المتذبذبات غير المتبادلة.
DOI: https://doi.org/10.3389/fnetp.2026.1774273
PMID: https://pubmed.ncbi.nlm.nih.gov/41970464
Publication Date: 2026-03-26
Author(s): Sayantan Nag Chowdhury et al.
Primary Topic: Nonlinear Dynamics and Pattern Formation
Overview
This research investigates generalized Kuramoto models with non-reciprocal adaptive couplings, particularly in the context of neuronal networks. The study employs bifurcation analysis and numerical integration to explore how non-reciprocal couplings—governed by Hebbian and anti-Hebbian rules—affect the dynamics of oscillators. A key finding is the emergence of metastable anti-phase synchronized clusters, where individual oscillators, referred to as “switcher oscillators,” periodically change their affiliations between clusters. This behavior introduces “weak ties” among clusters, reflecting a mechanism for metastability distinct from traditional heteroclinic dynamics.
The authors conclude that the observed metastability is influenced by system parameters such as network size and connectivity. They suggest that individual oscillators can represent mesoscopic neural populations, indicating that even small systems can exhibit complex dynamics relevant to brain function. Future research directions include exploring the potential for more than two synchronized clusters and investigating the effects of non-reciprocal interactions in other oscillator models, which may reveal new collective phenomena in neural networks.
Introduction
The introduction of this research paper discusses the integration of behavioral and neural perspectives on learning through the lens of synaptic plasticity, particularly referencing Hebb’s postulate, which posits that repeated activation of one neuron by another enhances the former’s ability to trigger the latter. This foundational concept has inspired various neural network models that utilize presynaptic and postsynaptic correlation rules to represent synaptic changes mathematically. The paper traces the evolution of these ideas from Hebb’s initial proposal to the development of the perceptron by Rosenblatt, and further into adaptive neural network theories that align with principles of classical conditioning, notably through the work of Sutton and Barto.
The authors highlight the significance of phase oscillator models, particularly the Kuramoto model, in understanding synchronization phenomena in neural networks. They emphasize that adaptive coupling in oscillatory systems can lead to complex dynamics, including collective excitability and self-organized structures. The paper aims to explore the implications of non-reciprocal adaptation in synchronization patterns within generalized Kuramoto models, particularly focusing on the interplay between Hebbian and anti-Hebbian rules acting on different time scales. The findings suggest that such dynamics can result in metastable states, which may have relevance for understanding transient cognitive processes in the brain, as indicated by neuroimaging studies. The structure of the paper is outlined, detailing the model variations, results on synchronization patterns, and concluding insights.
Results
In the Results section, the authors first discuss the typical stationary states of the system and justify their selection of parameters, which remain consistent throughout the study. They then explore the characteristics of randomness that emerge despite the deterministic nature of the dynamics, emphasizing the influence of initial conditions, system size, and the presence of disorder on these features.
Subsequently, the authors examine various formulations of the generalized Kuramoto model, highlighting how these different versions contribute to the understanding of the system’s behavior. This analysis provides insights into the interplay between deterministic dynamics and stochastic elements, underscoring the complexity of the system under investigation.
Discussion
In this section, the authors investigate a population of $N \geq 2$ phase oscillators governed by a modified Kuramoto model featuring adaptive nonreciprocal couplings. The dynamics of each oscillator are described by the equation $\dot{\theta_i} = \omega_i + \frac{1}{N} \sum_{j=1}^{N} k_{ij} \sin(\theta_j – \theta_i) + \xi_i(t)$, where $\omega_i$ is the intrinsic frequency, $k_{ij}$ represents the time-dependent coupling strength, and $\xi_i(t)$ denotes Gaussian white noise. The coupling matrix is designed to exhibit different adaptation rates for upper and lower triangular components, leading to distinct phase dynamics characterized by Hebbian and anti-Hebbian rules. The authors focus on the emergence of metastability in the system, which is absent in reciprocal coupling scenarios, and demonstrate that this behavior arises when the adaptation rates are significantly different ($\epsilon_1 \gg \epsilon_2$) and the phase shifts are asymmetric ($\beta_1 \neq \beta_2$).
The study employs numerical simulations to explore the relationship between adaptation rates and collective states, revealing that the system can exhibit two anti-phase clusters or incoherent dynamics depending on the parameter values. The authors quantify synchronization using the first and second Kuramoto order parameters, $R$ and $R_2$, respectively. They find that the system’s behavior is sensitive to initial conditions and the distribution of natural frequencies, with metastability manifesting as oscillators occasionally switching cluster affiliations, leading to fluctuations in the order parameters. The authors also propose a predictive framework for identifying which oscillators are likely to switch clusters based on their phase velocities and distances from the phase separation threshold, demonstrating high predictive accuracy in simulations. Overall, the findings highlight the complex interplay between coupling dynamics and phase synchronization in nonreciprocal oscillator networks.