用于产生神经网络有限持续激活的最优分层模块化拓扑

在复杂神经网络（如哺乳动物大脑皮层）中表示功能模式的一个基本要求是存在稳定的网络激活状态，这通常源于有限的参数范围。在这个有限持续活动（LSA）范围内，神经群体的活动在网络中持续存在，介于快速消失或激活整个网络这两个极端之间。先前发现，分层模块化网络比不具有分层组织或多个模块的随机网络或小世界网络显示出更宽的LSA参数范围。在这里，我们探讨了分层级别数和每层模块数的变化如何影响网络动力学和LSA的出现。我们测试了不同网络规模的分层配置，近似于连接大鼠、猫或猕猴大脑一个半球中皮层柱的大规模网络。网络规模的缩放影响了最优网络中的分层级别数和模块数，这也取决于全局边密度或每个节点的连接数是否保持不变。对于恒定的边密度，只有少数具有中等级别数和大量模块的网络配置，才能独立于大脑大小而产生大范围的LSA。对于恒定的节点连接数，在较大规模的网络中，最优配置倾向于拥有更多的分层级别或更多的模块。这些结果可能有助于解释在较大大脑中观察到的网络复杂性增加的趋势，并可能表明这种复杂性对于维持稳定的神经激活水平是必需的。