小世界神经网络中信息延迟与重连概率对同步转变的影响

本文研究了小世界神经网络中的同步转变现象，这些网络在局部上由具有加性时空噪声的Rulkov映射进行建模。主要关注的是信息传输延迟和重连概率对同步行为的影响。研究发现，短的信息传输延迟会导致振荡波式的兴奋状态传播，呈现出一种“Zigzag”模式。然而，当延迟增加到一定程度时，会引发动态的集群反相同步过渡，这会进一步损害网络的同步性能。这种动态过程揭示了延迟与网络结构如何相互作用，从而影响神经元群体的行为。 作者们，Qingyun Wang、Zhisheng Duan、Matjaž Perc和Guanrong Chen，分别来自北京大学力学与航空航天工程学院、内蒙古财经学院统计与数学学院以及Perc教授所在的部门，他们合作探讨了这一复杂系统中的关键参数变化如何影响神经元网络的同步行为。他们利用小世界网络模型，其特点是既保留了局部紧密连接又引入了随机性的长程连接，这种特性使得网络能够在复杂性和效率之间找到平衡，类似于现实大脑中的神经网络。 他们的研究结果表明，信息传递速度和网络的动态调整（通过重连概率）是理解神经元同步行为的关键因素。延迟的微调可以导致从无序到有序，再到可能的混沌状态的转变，而不同的重连策略则可能塑造出不同的同步模式，如同步、异步或混合状态。这项工作不仅提供了理论上的见解，也为设计和优化生物启发的神经网络模型，如用于模拟大脑功能或人工神经网络的设计，提供了重要的指导。 这篇研究论文深入探讨了小世界神经网络中的同步机制，并强调了信息传输延迟和网络重构在神经元群体行为中的核心作用。通过细致的数值模拟和理论分析，它为理解神经系统的复杂动态行为提供了一个重要的窗口，对于神经科学、复杂系统理论以及信息处理技术等领域具有重要的实际意义。