Modeling of neurons and their interactions. overview of approaches and methods

Cover Page

Cite item

Full Text

Abstract

The article contains a detailed overview of mathematical models of neurons and neural interactions. Models are divided into two large but unequal classes: “electrical”, which pay attention only to electrical processes, and “heterochemical”, in which the main emphasis is on the chemistry of the neuron, on its chemical inputs and outputs. The first class of models is much broader because it has a longer history. It contains models of neurons of varying complexity: from the simplest (McCulloch – Pitts model) to very complex ones, such as the Hodgkin – Huxley model and its modifications. Models of the second class belong to a relatively new developing direction in neurobiology and neuroinformatics. Their number is not very large yet. At the end of the article, the asynchronous heterochemical model proposed by the authors together with colleagues from the Trapeznikov Institute of Control Sciences of RAS and the Koltzov Institute of Developmental Biology of RAS is briefly described.

About the authors

Liudmila Yur'evna Zhilyakova

V.A. Trapeznikov Institute of Control Sciences of RAS

Email: zhilyakova@ipu.ru
Moscow

Oleg Petrovich Kuznetsov

V.A. Trapeznikov Institute of Control Sciences of RAS

Email: olpkuz@yandex.ru
Moscow

References

  1. АРТЁМОВ Н.М., САХАРОВ Д.А. Хачатур Седракович Коштоянц. – М.: Наука, 1986. Гл. 3. Работы по химиче-ским основам механизмов нервной деятельности. – С. 106–162.
  2. БАЗЕНКОВ Н.И., ВОРОНЦОВ Д.Д., ДЬЯКОНОВА В.Е., ЖИЛЯКОВА Л.Ю. и др. Дискретное моделирование межнейронных взаимодействий в мультитрансмит-терных сетях // Искусственный интеллект и принятие решений. – М.: Изд. ФИЦ «Информатика и управление» РАН, 2017. – №2. – С. 55–73.
  3. БАЛАБАН П.М., ВОРОНЦОВ Д.Д., ДЬЯКОНОВА В.Е., ДЬЯКОНОВА Т.Л. и др. Центральные генераторы пат-терна (CPGs). // Журн. высш. нерв. деят. – 2013. – №63(5). – С. 1–21.
  4. БОЛДЫШЕВ Б.А., ЖИЛЯКОВА Л.Ю. Нейромодуляция как инструмент управления нейронными ансамблями // Проблемы управления. – 2021. – №2. – С. 76–84.
  5. ДЬЯКОНОВА В.Е. Нейротрансмиттерные механизмы контекст-зависимого поведения // Журн. высш. нерв. де-ят. – 2012. – №62(6). – С. 1–17.
  6. ДЬЯКОНОВА В.Е., САХАРОВ Д.А. Пострефлекторная нейробиология поведения. – М.: Издательский дом ЯСК, 2019. – 592 с.
  7. ЕМЕЛЬЯНОВ-ЯРОСЛАВСКИЙ Л.Б. Интеллектуальная квазибиологическая система. Индуктивный автомат. – М.: Наука, 1990. – 111 c.
  8. КУЗНЕЦОВ О.П. Сложные сети и распространение ак-тивности // Автоматика и телемеханика. – 2015. – №12. – С. 3–26.
  9. КУЗНЕЦОВ О.П. Стационарные ансамбли в пороговых сетях // Автоматика и телемеханика. – 2017. – №3. – С. 111–129.
  10. КУЗНЕЦОВ О.П., БАЗЕНКОВ Н.И., БОЛДЫШЕВ Б.А., ЖИЛЯКОВА Л.Ю. и др. Асинхронная дискретная модель химических взаимодействий в простых нейронных си-стемах // Искусственный интеллект и принятие решений. – М.: Изд. ФИЦ «Информатика и управление» РАН. – 2018. – №2. – С. 3–20.
  11. МЕДВЕДЕВ С.В. Мозг против мозга: новеллы о мозге. – М.: Бослен, 2017. – 145 с.
  12. МИНСКИЙ М., ПЕЙПЕРТ С. Персептроны. – М.: Мир, 1971. – 261 с.
  13. РАБИНОВИЧ М.И., МЮЕЗИНОЛУ М.К. Нелинейная ди-намика мозга: Эмоции и интеллектуальная деятель-ность // Успехи физических наук. – 2010. – Т. 180, № 4. – C. 371–386.
  14. РОЗЕНБЛАТТ Ф. Принципы нейродинамики: Перцеп-троны и теория механизмов мозга. (Principles of Neuro-dynamic: Perceptrons and the Theory of Brain Mecha-nisms.) – М.: Мир, 1965. – 480 с.
  15. САХАРОВ Д.А. Биологический субстрат генерации по-веденческих актов // Журн. общ. биологии. – 2012. – №73(5). – С. 334–348.
  16. САХАРОВ Д.А. Синаптическая и бессинаптическая мо-дели нейронной системы // Простые нервные системы. Ч.2. – Казань: КГУ, 1985. – С.78–80.
  17. ЧАПЛИНСКАЯ Н.В. Обучение спайковой нейронной се-ти на основе изменения временных задержек на синап-сах // Сборник трудов XXIV Международной научно-технической конференции «Нейроинформатика-2022». – Москва: МФТИ, 2022. – С. 78–87.
  18. ШУМСКИЙ С.А. Машинный интеллект. Очерки по тео-рии машинного обучения и искусственного интеллекта. – М: РИОР, 2022. – 340 с.
  19. ШУМСКИЙ С.А. Воспитание машин: Новая история разума. – М.: Альпина нон-фикшн, 2021. – 174 с.
  20. ABBOTT L.F. Lapique’s introduction of the integrate-and-fire model neuron (1907) // Brain Research Bulletin. – 1999. – No. 50 (5/6). – P. 303–304.
  21. AGNATI L.F., GUIDOLIN D., GUESCINI M., GENEDA-NI S. et al. Understanding wiring and volume transmission // Brain Res. Rev. – 2010. – No. 64 – P. 137–159.
  22. AIELLO G.L., BACH-Y-RITA P. Nonsynaptically connected neural nets // European Symposium on Artificial Neural Networks (ESANN 2000), Methuen, Bruges. – 2000. – P. 425–428.
  23. ALENCAR B. M., CANÁRIO J.P., NETO R.L., PRAZERES C. et al. Fog-DeepStream: A new approach combining LSTM and Concept Drift for data stream analyt-ics on Fog computing // Internet of Things. – 2023. – Vol. 22. – 100731.
  24. ALNAJJAR F., MURASE K. Sensor-fusion in spiking neural network that generates autonomous behavior in real mobile robot // IEEE Int. Joint Conf. on Neural Networks – 2008 (IEEE World Congress on Computational Intelligence). – IEEE, 2008. – P. 2200–2206.
  25. AONUMA H., MEZHERITSKIY M., BOLDYSHEV B., TO-TANI Y.et al The Role of Serotonin in the Influence of In-tense Locomotion on the Behavior Under Uncertainty in the Mollusk Lymnaea stagnalis // Frontiers in Physiology. – 2020. – Vol. 11. – N Art. 221.
  26. BACH-Y-RITA P., AIELLO G.L. Nerve length and volume in synaptic versus diffusion neurotransmission: a model // NeuroReport. – 1996. – No. 7. – P. 1502–1504.
  27. BARGMANN C.I. Beyond the connectome: How neuromod-ulators shape neural circuits // BioEssays. – 2012. – Vol. 34, No.6. – P. 458–465.
  28. BARONCHELLI A., FERRER-I-CANCHO R., PASTOR-SATORRAS R., CHATER N.et al. Networks in Cognitive Science // Trends in Cognitive Sciences. – 2013. – Vol. 17, No. 7. – P. 348–360.
  29. BAZENKOV N.I., BOLDYSHEV B.A., DYA-KONOVA V.E., KUZNETSOV O.P. Simulating Small Neu-ral Circuits with a Discrete Computational Model // Biol. Cybern. – 2020. – No. 114. – P. 349–362.
  30. BENJAMIN B.V., GAO P., MCQUINN E., CHOUDHARY S. et al. Neurogrid: A Mixed-Analog-Digital Multichip System for Large-Scale Neural Simulations // Proc. of the IEEE. – 2014. – Vol. 102, No. 5. – P. 699–716.
  31. BENJAMIN P.R. Distributed network organization underly-ing feeding behavior in the mollusk Lymnaea // Neural Syst Circuits. – 2012. – Vol. 2, No. 4.
  32. BISWAS S.S. Role of Chat GPT in Public Health // Ann Bi-omed Eng 51. – 2023. – P. 868–869.
  33. BISWAS S.S. Potential Use of Cha GPT in Global Warm-ing // Ann Biomed Eng 51. – 2023. – P. 1126–1127.
  34. BOUGANIS A., SHANAHAN M. Training a spiking neural network to control a 4-dof robotic arm based on spike tim-ing-dependent plasticity // IEEE Int. Joint Conf. on Neural Networks – 2010 (IJCNN–2010). – IEEE, 2010. – P. 1–8.
  35. BREZINA V. Beyond the wiring diagram: signalling through complex neuromodulator networks // Philos. Trans. R. Soc. Lond. B. Biol. Sci. – 2010. – Vol. 365(1551). – P. 2363–2374.
  36. BUBECK S., CHANDRASEKARAN V., ELDAN R., GEHRKE J. et al. Sparks of artificial general intelligence: Early experiments with gpt-4 // arXiv preprint arXiv:2303.12712. – 2023.
  37. BULLMORE E., SPORNS O. Complex brain networks: graph theoretical analysis of structural and functional sys-tems // Nature Reviews Neuroscience. – 2009. – No. 10. – P. 186–198.
  38. BYRNE J. Learning and memory: a comprehensive refer-ence. – Academic Press. – 2017. – 2402 p.
  39. DAVIES M., SRINIVASA N., LIN T. et al. Loihi: A Neuro-morphic Manycore Processor with OnChip Learning // IEEE Micro. – 2018.– Vol. 38, No. 1. – P. 82–99.
  40. DENG B., LI Q., LIU X., CAO Y. et al. Chemoconnec-tomics: Mapping Chemical Transmission in Drosophila // Neuron. – 2019. – Vol. 101, Iss. 5, 6. – P. 876–893.
  41. DENG L., YU D. Deep Learning: Methods and Applica-tions // Foundations and Trends in Signal Processing. – 2014. – Vol. 7, Nos. 3–4. – P. 197–387.
  42. DITZLER G., POLIKAR R., ROSEN G. Multi-Layer and Re-cursive Neural Networks for Metagenomic Classification // IEEE Trans. on NanoBioscience. – 2015. – Vol. 14, No. 6. – P. 608–616.
  43. DONG L., XU B. CIF: Continuous Integrate-And-Fire for End-To-End Speech Recognition // IEEE Int. Conf. on Acoustics, Speech and Signal Processing – 2020 (ICASSP–2020), Barcelona, Spain. – 2020. – P. 6079–6083.
  44. DONG Y., YANG S., LIANG Y., WANG G. Neuromorphic dynamics near the edge of chaos in memristive neurons // Chaos, Solitons & Fractals. – 2022. – Vol. 160. – 112241.
  45. DOROGOVTSEV S. Lectures on Complex Networks. – Ox-ford: Oxford Univer. Press, 2010. – 144 p.
  46. DOYA K. Metalearning and Neuromodulation // Neural Networks. – 2002. – Vol. 15(4-6). – P. 495–506.
  47. DYAKONOVA T.L., DYAKONOVA V.E. Coordination of rhythm-generating units via NO and extrasynaptic neuro-transmitter release // J. Comp. Physiol. A. – 2010. – Vol. 196, No. 8. – P. 529–541.
  48. DYAKONOVA T.L., SULTANAKHMETOV G.S., MEZHE-RITSKIY M.I., SAKHAROV D.A. et al. Storage and Eras-ure of Behavioural Experiences at the Single Neuron Level // Scientific Reports. – 2019. – Vol. 9, No. 1. – 14733.
  49. ESTEVA A., CHOU K., YEUNG S. et al. Deep learning-enabled medical computer vision // npj Digit. Med. – 2021. – Vol. 4, No. 5.
  50. FAN W., CHEN X., WU H., LI Z. et al. Firing patterns and synchronization of Morris-Lecar neuron model with memris-tive autapse // AEU – Int. Journal of Electronics and Com-munications. – 2023. – Vol. 158. – 154454.
  51. FANG H., WANG Y., HE J. Spiking neural networks for cortical neuronal spike train decoding // Neural Computa-tion. – 2010. – Vol. 22, No. 4. – P. 1060–1085.
  52. FITZHUGH R. Impulses and physiological states in theoreti-cal models of nerve membrane // Biophysical J. – 1961. – Vol. 1. – P. 445–466.
  53. FORTUNA L., BUSCARINO A. Spiking neuron mathemati-cal models: a compact overview // Bioengineering. – 2023. – Vol. 10(2). – P. 174.
  54. FURBER S.B., GALLUPPI F., TEMPLE S., PLANA L.A. The spinnaker project // Proc. of the IEEE. – 2014. – Vol. 102, No. 5. – P. 652–665.
  55. GALVES A., LÖCHERBACH E. Infinite Systems of Interact-ing Chains with Memory of Variable Length – A Stochastic Model for Biological Neural Nets // Journal of Statistical Physics. – 2013. – Vol. 151. – P. 896–921.
  56. GERSTNER W. Population dynamics of spiking neurons: fast transients, asynchronous states, and locking // Neural Computation. – 2000. – Vol. 12 (1) – P. 43–89.
  57. GERSTNER W., KISTLER W. Spiking Neuron Models: Sin-gle Neurons, Populations, Plasticity. Cambridge: Cambridge University Press, 2002. – 480 p.
  58. GHIGLIAZZA R., HOLMES P. Minimal models of bursting neurons: The effects of multiple currents and timescales // SIAM J. Appl. Dyn. Syst. – 2004. – Vol. 3, No. 4. – P. 636–670.
  59. GHIGLIAZZA R., HOLMES P. A Minimal Model of a Cen-tral Pattern Generator and Motoneurons for Insect Locomo-tion // SIAM J. Appl. Dyn. Syst. – 2004. – Vol. 3, No. 4. – P. 671–700.
  60. GOODFELLOW I., BENGIO Y., COURVILLE A. Deep Learning. – MIT Press, 2016. – 787 p.
  61. GÓRSKI T., DEPANNEMAECKER D., DESTEXHE A. Conductance-based adaptive exponential integrate-and-fire model // Neural Computation. – 2021. – Vol. 33(1). – P. 41–66.
  62. GRAUPNER M., GUTKIN B. Modeling nicotinic neuro-modulation from global functional and network levels to nAChR based mechanisms // Acta Pharmacologica Sinica. – 2009. – Vol. 30. – P. 681–693.
  63. GUTKIN B., DEHAENE S, CHANGEUX J.P. A neurocom-putational hypothesis for nicotine addiction // Proc Natl Acad Sci USA. – 2006. – Vol. 103. – P. 1106–1111.
  64. HARRIS-WARRICK R.M. Neuromodulation and flexibility in Central Pattern Generator networks // Current Opinion in Neurobiology. – 2011. – Vol. 21, No. 5. – P. 685–692.
  65. HAYKIN S. Neural Networks and Learning Machines (3rd Edition). – Prentice Hall, 2009. – 944 p.
  66. HAZAN H., CABY S., EARL C., SIEGELMANN H. et al. Memory via Temporal Delays in weightless Spiking Neural Network // arXiv preprint arXiv:2202.07132. – 2022.
  67. HILL-YARDIN E.L., HUTCHINSON M.R., LAYCOCK R., SPENCER S.J. A Chat (GPT) about the future of scientific publishing // Brain Behav Immun. – 2023. – Vol. 110. – P. 152–154.
  68. HINDMARSH J.L., ROSE R.M. A model of neuronal burst-ing using three coupled first order differential equations // Proc. of the Royal Society of London. Series B. Biological Sciences. – 1984. – Vol. 221, No. 1222. – P. 87–102.
  69. HINTON G.E., OSINDERO S., TEH Y.W. A fast learning algorithm for deep belief nets // Neural Computation. – 2006. – Vol. 18. – P. 1527–1554.
  70. HODGKIN A.L., HUXLEY A.F. A quantitative description of membrane current and its applications to conduction and excitation in nerve // J. Physiol. (Lond.). –1952. – Vol. 116. – P. 500–544.
  71. HOPFIELD J.J. Neural networks and physical systems with emergent collective computational abilities // Proc. of Na-tional Academy of Sciences USA. – 1982. – Vol. 79, No. 8. – P. 2554–2558.
  72. HOPKINS M., PINEDA-GARCÍA G., BOGDAN P.A., FURBER S.B. Spiking neural networks for computer vision // Interface Focus. – 2018. – Vol. 8. – No. 4. – 20180007.
  73. HU X., LIU C. Dynamic property analysis and circuit im-plementation of simplified memristive Hodgkin–Huxley neu-ron model // Nonlinear Dynamics. – 2019. – No. 97. – P. 1721–1733.
  74. IZHIKEVICH E. Neural excitability, spiking and bursting // Int. Journal of Bifurcation and Chaos. – 2000. – Vol. 10, No. 6. – P. 1171–1266.
  75. IZHIKEVICH E. Which Model to Use for Cortical Spiking Neurons? // IEEE Trans. on Neural Networks. – 2004. – Vol. 15, No. 5. – P.1063–1070.
  76. JACKSON M.O. Social and Economic Networks. – Prinston Univer. Press, 2010. – 520 p.
  77. JAFARIAN M., JOHANSSON K.H. Synchronization of quadratic integrate-and-fire spiking neurons: Constant ver-sus voltage-dependent couplings // IEEE 58th Conf. on De-cision and Control 2019 (CDC–2019), Nice, France. – 2019. – P. 4711–4716.
  78. JENIFER P.I.R., KANNAN S. Deep Learning with Optimal Hierarchical Spiking Neural Network for Medical Image Classification // Comput. Syst. Sci. Eng. – 2023. – Vol. 44, No. 2. – P. 1081–1097.
  79. KHERADPISHEH S.R., GANJTABESH M., THORPE S.J., MASQUELIER T. STDP-based spiking deep convolutional neural networks for object recognition // Neural Networks. – 2018. – Vol. 99. – P. 56–67.
  80. KHOSHKHOU M., MONTAKHAB A. Spike-timing-dependent plasticity with axonal delay tunes networks of izhikevich neurons to the edge of synchronization transition with scale-free avalanches // Frontiers in systems neurosci-ence. – 2019. – Vol. 13. – P. 73.
  81. KLEENE S.C. Representation of Events in Nerve Nets and Finite Automata // In: Automata Studies / Eds.: C.E. Shannon, J. McCarthy. – Princeton, Princeton Universi-ty Press, 1956. (Рус. пер.: КЛИНИ С.К. Представление событий в нервных сетях и конечных автоматах // В кн. Автоматы / Под ред. К.Э. Шеннона и Дж.Маккарти. – М., ИЛ, 1956. C. 15–67).
  82. KOCH C., SEGEV I. Methods in neuronal modeling: from ions to networks. – Cambridge, Massachusetts: MIT Press. –1999. – 687 p.
  83. LECUN Y., BENGIO Y., HINTON G. Deep learning // Na-ture. – 2015. – Vol. 521, No. 7553. – P. 436–444.
  84. LEVAKOVA M., KOSTAL L., MONSEMPÈS C., LUCAS P. et al. Adaptive integrate-and-fire model reproduces the dy-namics of olfactory receptor neuron responses in a moth // Journal of the Royal Society Interface. – 2019. – Vol. 16, No. 157. – 20190246.
  85. LIN J.W., FABER D.S. Modulation of synaptic delay during synaptic plasticity // Trends in neurosciences. – 2002. – Vol. 25, No. 9. – P. 449–455.
  86. LIN H., WANG C., SUN Y., YAO W. Firing multistability in a locally active memristive neuron model // Nonlinear Dyn. – 2020. – No. 100. – P. 3667–3683.
  87. LIU CH., GOEL P., KAESER P.S. Spatial and temporal scales of dopamine transmission // Nat Rev Neurosci. – 2021. – Vol. 22, No. 6. – P. 345–358.
  88. LIU Y., IU H.H.C., QIAN Y. Implementation of Hodgkin-Huxley neuron model with the novel memristive oscillator // IEEE Trans. on Circuits and Systems II: Express Briefs. – 2021. – Vol. 68, No. 8. – P 2982–2986.
  89. MAASS W., SCHMITT M. On the complexity of learning for spiking neurons with temporal coding // Information and Computation. – 1999. – Vol. 153, No. 1. – P. 26–46.
  90. MANOHAR N., PRASAD S.S. Use of ChatGPT in academic publishing: a rare case of seronegative systemic lupus ery-thematosus in a patient with HIV infection // Cureus. – 2023. – Vol. 15, No. 2. – e34616.
  91. MARDER E., BUCHER D. Central Pattern Generators and the Control of Rhythmic Movements // Current Biology. – 2001. – Vol. 11, No. 23. – Р. 986–996.
  92. MCCULLOCH W.S., PITTS W. A logical calculus of the ideas immanent in nervous activity // Bull. Math. Biophys. – 1943. – Vol. 5. – P.115–133. (Рус. пер.: Мак-Каллок У.С., Питтс В. Логическое исчисление идей, от-носящихся к нервной активности // Автоматы: Сб. – М., 1956. – С. 363–384.)
  93. MILES V., GIANI S., VOGT O. Recursive encoder network for the automatic analysis of STEP files // J Intell Manuf. – 2023. – Vol. 34. – P. 181–196.
  94. MORRIS C., LECAR H. Voltage Oscillations in the barnacle giant muscle fiber // Biophys. J. – 1981. – Vol. 35, No. 1. – P. 193–213.
  95. MOSBACHER Y., KHOYRATEE F., GOLDIN M. et al. To-ward neuroprosthetic real-time communication from in silico to biological neuronal network via patterned optogenetic stimulation // Scientific reports. – 2020. – Vol. 10. – 7512.
  96. MULLONEY B., SMARANDACHE C. Fifty years of CPGs: two neuroethological papers that shaped the course of neu-roscience // Front. Behav. Neurosci. – 2010. – Vol. 4, No. 45. – P. 1–8.
  97. MUNI S. S., RAJAGOPAL K., KARTHIKEYAN A., ARUN S. Discrete hybrid Izhikevich neuron model: Nodal and network behaviours considering electromagnetic flux coupling // Chaos, Solitons & Fractals. – 2022. – Vol. 155. – 111759.
  98. NAGUMO J., ARIMOTO S., YOSHIZAWA S. An active pulse transmission line simulating nerve axon // Proc. IRE. – 1962. – Vol. 50. – P. 2061–2070.
  99. NADAFIAN A., GANJTABESH M. Bio-plausible Unsuper-vised Delay Learning for Extracting Temporal Features in Spiking Neural Networks // arXiv preprint arXiv:2011.09380. – 2020.
  100. NAZARI S., KEYANFAR A., VAN HULLE M.M. Neu-romorphic circuit based on the un-supervised learning of biologically inspired spiking neural network for pattern recognition // Engineering Applications of Artificial Intelli-gence. – 2022. – Vol. 116. – 105430.
  101. NOBUKAWA S., NISHIMURA H., YAMANISHI T. Chaotic Resonance in Typical Routes to Chaos in the Izhikevich Neuron Model // Sci Rep. – 2017. – Vol. 7. – 1331.
  102. OUBARI O. Precise timing and computationally efficient learning in neuromorphic systems: Diss. – Sorbonne univer-sité, 2020.
  103. PAUGAM-MOISY H., MARTINEZ R., BENGIO S. De-lay learning and polychronization for reservoir computing // Neurocomputing. – 2008. – Vol. 71. – Nos. 7–9. – P. 1143–1158.
  104. PEHLE C., BILLAUDELLE S., CRAMER B., KAISER J. et al. The BrainScales-2 Accelerated Neuromorphic System With Hybrid Plasticity // Frontiers in Neuroscience. – 2022. – Vol. 16.
  105. PEI J., DENG L., SONG S. et al. Towards artificial gen-eral intelligence with hybrid Tianjic chip architecture // Na-ture. – 2019.– Vol. 572, No. 7767. – P. 106–111.
  106. PÉREZ-CARRASCO J.A., ACHA B., SERRANO C., CAMUNAS-MESA L. et al. Fast vision through frameless event-based sensing and convolutional processing: Applica-tion to texture recognition // IEEE Trans. on Neural Net-works. – 2010. – Vol. 21, No. 4. – P. 609–620.
  107. PIETRAS B., DEVALLE F., ROXIN A., DAF-FERTSHOFER A. et al. Exact firing rate model reveals the differential effects of chemical versus electrical synapses in spiking networks // Physical Review E. – 2019. – Vol. 100, No. 4. – 042412.
  108. RAIMONDO L., HEIJ J., PRIOVOULOS N., KUNDU P. et al. Advances in resting state fMRI acquisitions for func-tional connectomics // NeuroImage. – 2021. – Vol. 243. – 118503.
  109. RAJAGOPAL K., MOROZ I., RAMAKRISHNAN B., KARTHIKEYN A. et al. Modified Morris–Lecar neuron model: effects of very low frequency electric fields and of magnetic fields on the local and network dynamics of an ex-citable media // Nonlinear Dynamics. – 2021. – Vol. 104, No. 4. – P. 4427–4443.
  110. RATHI N., CHAKRABORTY I., KOSTA A., SENGUPTA A. et al. Exploring neuromorphic computing based on spiking neural networks: Algorithms to hardware // ACM Computing Surveys. – 2023. – Vol. 55, No. 12. – H. 1–49.
  111. RATNASINGAM S., MCGINNITY T.M. A spiking neu-ral network for tactile form-based object recognition // IEEE Int. Joint Conf. on Neural Networks – 2011. – IEEE, 2011. – P. 880–885.
  112. ROBERTS A. CONTE D., HULL M., MERRISON-HORT R. et al. Can Simple Rules Control Development of a Pioneer Vertebrate Neuronal Network Generating Behavior? // The Journal of Neuroscience. – 2014. – Vol. 34, No. 2. – P. 608–621.
  113. ROBERTS P.D. Classification of Temporal Patterns in Dynamic Biological Networks // Neural Computation: Mas-sachusetts Institute of Technology. – 1998. – Vol. 10. No. 7. – P. 1831–1846.
  114. SAKURAI A., KATZ P.S. The central pattern generator underlying swimming in dendronotus iris: a simple half-center network oscillator with a twist // J Neurophysiol. – 2016. – Vol. 116, No. 4. – P. 1728–1742.
  115. SAXE A., NELLI S., SUMMERFIELD C. If deep learn-ing is the answer, what is the question? // Nat Rev Neurosci. – 2021. – Vol. 22. – P. 55–67.
  116. SCHEMMEL J., GRÜBL A., HARTMANN S. et al. Live demonstration: A scaled-down version of the BrainScaleS wafer-scale neuromorphic system // IEEE Int.Symposium on Circuits and Systems – 2012 (ISCAS–2012). – P. 702.
  117. SERRANO-BALBONTÍN A.J., TEJADO I., VINAGRE B.M. Fractional Integrate-and-Fire Neuron: An-alog Realization and Application to Neuromorphic Control // IEEE Int. Conf. on Fractional Differentiation and Its Appli-cations – 2023 (ICFDA–2023). – 2023. – P. 1–6.
  118. SHAFIEI M., PARASTESH F., JALILI M., JAFARI S. et al. Effects of partial time delays on synchronization patterns in Izhikevich neuronal networks // Eur. Phys. J. B. – 2019. – Vol. 92. –P 36.
  119. SHAFIEI M., JAFARI S., PARASTESH F., OZER M. et al. Time delayed chemical synapses and synchronization in multilayer neuronal networks with ephaptic inter-layer cou-pling // Communications in Nonlinear Science and Numeri-cal Simulation. – 2020. – Vol. 84. – 105175.
  120. SHERSTINSKY A. Fundamentals of Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) net-work // Physica D: Nonlinear Phenomena. – 2020. – Vol. 404. – 132306.
  121. SHORTEN C., KHOSHGOFTAAR T.M., FURHT B. Deep Learning applications for COVID-19 // J Big Data. – 2021. – Vol. 8. – 18.
  122. SONG X., WANG H., CHEN Y. Autapse-induced firing patterns transitions in the Morris–Lecar neuron model // Nonlinear Dynamics. – 2019. – Vol. 96. – P. 2341–2350.
  123. SPORNS O., TONONI G., KÖTTER R. The human con-nectome: A structural description of the human brain // PLoS Computational Biology. – 2005. – Vol. 1, No. 4. – e42.
  124. STERRATT D., GRAHAM B., GILLIES A., WILL-SHAW D. Principles of computational modelling in neuro-science. – Cambridge University Press, 2011. – 390 p.
  125. SULTANA F., SUFIAN A., DUTTA P. Evolution of Im-age Segmentation using Deep Convolutional Neural Net-work: A Survey. Knowledge-Based Systems. – 2020. – Vol. 201–202. – 106062.
  126. USHA K., SUBHA P.A., Hindmarsh-Rose neuron model with memristors // Biosystems. – 2019. – Vol. 178. – P. 1–9.
  127. VAVOULIS D., STRAUB V., KEMENES I., KE-MENES G. et al. Dynamic control of a central pattern gen-erator circuit: a computational model of the snail feeding network // European Journal of Neuroscience. – 2007. – Vol. 25. – P. 2805–2818.
  128. VIVEKANANDHAN G., HAMARASH I.I., ALI ALI A.M., HE S. et al. Firing patterns of Izhikevich neu-ron model under electric field and its synchronization pat-terns // The European Physical Journal Special Topics. – 2022. – Vol. 231, No. 22. – P. 4017–4023.
  129. WIENCKE K., HORSTMANN A., MATHAR D., VILL-RINGER A. et al. Dopamine release, diffusion and uptake: A computational model for synaptic and volume transmis-sion // PLoS Comput Biol. – 2020. – Vol. 16, No. 11. – e1008410.
  130. XU L., QI G., MA J. Modeling of memristor-based Hindmarsh-Rose neuron and its dynamical analyses using energy method // Applied Mathematical Modelling. – 2022. – Vol. 101. – P. 503–516.
  131. XU Q., JU Z., DING S., FENG C. et al. Electromagnetic induction effects on electrical activity within a memristive Wilson neuron model // Cogn Neurodyn. – 2022. – Vol. 16. – P. 1221–1231.
  132. XU Q., LI Y., SHEN J., LIU J.K. et al . Constructing deep spiking neural networks from artificial neural networks with knowledge distillation // Proc. of the IEEE/CVF Conf. on Computer Vision and Pattern Recognition. – 2023. – P. 7886–7895.
  133. YADAV P., MISHRA A., KIM S. Neuromorphic Hard-ware Accelerators // In: Artificial Intelligence and Hardware Accelerators. – Cham: Springer International Publishing, 2023. – P. 225–268.
  134. YAMAZAKI K., VO-HO V.K., BULSARA D., LE N. Spiking neural networks and their applications: A Review // Brain Sciences. – 2022. – Vol. 12, No. 7. – P. 863.
  135. YAN B., PANAHI S., HE S., JAFARI S. Further dynam-ical analysis of modified Fitzhugh–Nagumo model under the electric field // Nonlinear Dynamics. – 2020. – Vol. 101. – P. 521–529.
  136. YANG J.Q., WANG R., WANG Z.P., MA Q.Y. et al. Leaky integrate-and-fire neurons based on perovskite memristor for spiking neural networks // Nano Energy. – 2020. – Vol. 74. – 104828.
  137. YAO P., WU H., GAO B., TANG J. et al. Fully hard-ware-implemented memristor convolutional neural network // Nature. – 2020. – Vol. 577. – P. 641–646.
  138. YAO X., LI F., MO Z., CHENG J. Glif: A unified gated leaky integrate-and-fire neuron for spiking neural networks // Advances in Neural Information Processing Systems. – 2022. – Vol. 35. – P. 32160–32171.
  139. YASIN M.W., IQBAL M.S., AHMED N., AKGÜL A. et al. Numerical scheme and stability analysis of stochastic Fitzhugh–Nagumo model // Results in Physics. – 2022. – Vol. 32. – 105023.
  140. YIN X., HUANG X., PAN Y., LIU Q. Point and interval estimation of rock mass boreability for tunnel boring ma-chine using an improved attribute-weighted deep belief net-work // Acta Geotech. – 2023. – Vol. 18. – P. 1769–1791.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».