《Frontiers in Network Physiology》:Metastability induced by non-reciprocal adaptive couplings in Kuramoto models
编辑推荐:
为解决复杂系统中(如神经元网络)的非互易耦合如何影响同步模式与动力学这一前沿问题,研究人员针对带有非互易自适应耦合的广义Kuramoto模型开展了深入分析。通过分岔分析与数值积分,研究者发现,在Hebbian与anti-Hebbian规则结合且具有不同时间尺度的特定动力学下,该系统可诱导振子反相同步簇的亚稳态。该机制为确定性方程产生随机切换动力学提供了新思路,对理解大脑的亚稳态特征具有重要意义。
在我们的大脑和许多自然系统中,无数微小的单元(比如神经元)以一种复杂而精巧的方式协同工作。它们的活动常常表现出节律性,如同一个庞大的交响乐团,需要协调一致才能奏出和谐乐章。这种协调,在物理上被称为“同步”。然而,大脑并非一台永远播放固定旋律的机器,其活动充满了瞬息万变的模式切换——上一刻还在处理视觉信息,下一刻就可能转入记忆检索。这种短暂、可重现但又并非永久固定的状态,被称为“亚稳态”。理解亚稳态如何从微观的神经元相互作用中自发涌现,是连接神经科学与复杂系统动力学的核心挑战之一。
传统的理论框架,如异宿轨道动力学,曾被用来解释这种切换。但最近,一篇发表于《Frontiers in Network Physiology》的研究《Metastability induced by non-reciprocal adaptive couplings in Kuramoto models》开辟了一条新颖的路径。该研究不再依赖复杂的轨道结构,而是揭示了一种更为直接的机制:当振子(可代表神经元或脑区)之间的连接既“不相互”又“可自我调整”时,系统便会自发地、随机地在不同的同步状态间跳转,即使其背后的动力学方程完全是确定性的。这为理解大脑中观察到的类似随机切换提供了一种全新的、基于确定性动力学的解释模型。
关键技术方法
为了探索上述问题,研究者构建并分析了一个广义Kuramoto相位振子模型。该模型的核心技术方法包括:1. 建立非互易自适应耦合的动力学方程:模型中耦合强度kij本身是时变的,其演化遵循两种不同的规则——对于上三角部分的连接(i < j)采用快速的、相位延迟为-π/2的Hebbian规则;对于下三角部分的连接(i > j)则采用缓慢的、相位超前为+π/2的anti-Hebbian规则,从而实现耦合在类型和时间尺度上的双重非互易性。2. 数值模拟与分析:研究主要依赖于数值积分(采用Euler-Maruyama格式)来求解耦合的振子相位和连接权重的动力学方程。3. 序参量分析:通过计算并分析第一和第二Kuramoto序参量(R和R2)来量化系统的同步状态,其中R2特别用于识别反相簇同步。4. 参数空间扫描与统计分析:通过对自适应速率参数(ε1, ε2)、系统规模N和网络连通性等进行系统的参数扫描,并结合对大量独立初始条件的重复模拟,来绘制相图并确定不同动力学状态的稳定区域。
研究结果
3.1 稳态与参数选择
研究首先通过参数扫描,绘制了以快、慢自适应速率(ε1, ε2)为坐标的“相图”。结果显示,当快速Hebbian自适应(ε1)远大于缓慢anti-Hebbian自适应(ε2)时,系统倾向于形成两个稳定的反相簇。当ε2过大时,系统则保持非相干状态。两者之间存在一个过渡边界,其具体位置与系统规模N有关,N=20时反相簇区域比N=10时略有扩大。
3.2 确定性动力学中的类随机性与亚稳态
在选定参数下(如ε1=0.01, ε2=0.0001),系统的长期行为并非稳定不变。尽管初始阶段会迅速形成高R2值的反相簇同步,但序参量R2会偶尔、看似随机地突然下跌,随后又恢复。这些“切换事件”完全由确定性方程产生,没有任何外部噪声驱动。时间序列呈现出明显的亚稳态特征,即系统长时间逗留在某个“准稳态”(高R2状态),然后短暂逃离,又再次返回。
3.3 机制:个体振子的“弱连接”
研究发现,序参量突变的微观机制,源于个别振子偶尔改变其所属的同步簇。这些“变节”的振子充当了不同同步簇之间的“弱连接”,扰动了整体的同步秩序,从而触发了状态的切换。这一机制与基于异宿轨道的切换机制有本质不同。
3.4 对初始条件的依赖、系统规模和噪声的影响
研究进一步分析了亚稳态行为的鲁棒性。对于靠近相变边界的参数,系统的终态(反相簇或非相干)可能依赖于随机的初始条件。系统规模N的增大会使得亚稳态切换更易发生,即系统变得更加不稳定。此外,引入微弱的高斯白噪声(强度σ)会“催化”切换事件的发生,降低状态的平均逗留时间,但不会改变切换的本质。
3.5 随机网络与耦合相关的自然频率
研究将模型从全连接网络推广到随机稀疏网络。结果表明,随着网络连接密度p的降低,维持反相簇同步变得越困难,在足够稀疏时系统会变得非相干。此外,文章还简要探讨了让振子的自然频率ωi也依赖于耦合的情况,这可以诱导出分层频率的异质簇,进一步丰富了可能出现的动力学模式。
结论与意义
本项研究系统性地论证了,在广义Kuramoto模型中,结合了Hebbian和anti-Hebbian规则、并具有不同时间尺度的非互易自适应耦合,能够有效地诱导出振子系统的亚稳态。这种亚稳态表现为反相(或完全)同步簇之间的随机切换,其微观机制是少数个体振子改变其集群归属。这项工作的重要意义在于:
- 1.
提供了亚稳态生成的新范式:与经典的异宿轨道理论不同,该机制展示了即使简单的确定性自适应与非互易性相结合,也足以产生类似随机的、重复的切换动力学,为理解复杂系统(尤其是大脑)的瞬态动力学提供了新的理论框架。
- 2.
揭示了非互易性的关键作用:研究强调了耦合的非互易性(既体现在类型上,也体现在时间尺度上)是产生丰富动力学(如亚稳态和反相簇)的关键要素,加深了人们对远离平衡系统集体行为的理解。
- 3.
架起了抽象模型与神经科学的桥梁:Kuramoto模型作为神经元群活动的简化模型,其展现出的亚稳态切换与大脑活动中观察到的特征高度相似。该研究表明,大脑中观察到的亚稳态可能部分源于神经连接中固有的、非互易的自适应可塑性机制,为从动力学角度理解认知功能(如工作记忆、决策)的神经基础提供了新思路。
- 4.
具有广泛的潜在应用:该模型框架的抽象性使其结论可能适用于其他具有自适应和非互易相互作用的系统,如智能电网、活性物质或社会网络,为这些领域的复杂行为建模提供了参考。