Attractor-Dynamics-in-Neural-Networks-From-Molecular-Mechanisms-to-Cognitive-Functions.md

# Аттракторная динамика в нейронных сетях: от молекулярных механизмов до когнитивных функций

## Аннотация

Аттракторная динамика представляет собой фундаментальный принцип организации нейронных сетей, определяющий как локальные вычислительные процессы, так и глобальные когнитивные функции. В данной работе представлен всесторонний анализ аттракторных механизмов в нервной системе, от молекулярного уровня до крупномасштабных мозговых сетей. Рассматриваются различные типы аттракторов - точечные, циклические, хаотические и странные аттракторы, их реализация в биологических нейронных сетях и роль в формировании памяти, принятии решений и поддержании сознания. Особое внимание уделяется метастабильным аттракторным состояниям, которые обеспечивают гибкость нейронных вычислений и адаптивность поведения. Обсуждаются клинические аспекты нарушений аттракторной динамики при неврологических и психических заболеваниях, а также перспективы применения аттракторных принципов в нейроинженерии и искусственном интеллекте.

**Ключевые слова:** аттракторы, нейронные сети, динамические системы, метастабильность, память, принятие решений, нейронные осцилляции

## Введение

Концепция аттракторов, возникшая в теории динамических систем, стала центральной для понимания принципов функционирования нервной системы. Аттрактор представляет собой множество состояний, к которому динамическая система эволюционирует из широкого спектра начальных условий и в котором она остается при отсутствии внешних возмущений (Strogatz, 2014). В контексте нейронауки аттракторы описывают устойчивые паттерны активности нейронных сетей, которые могут кодировать информацию, поддерживать память и генерировать поведение.

Первые теоретические работы по аттракторной динамике в нейронных сетях были предложены Хопфилдом (Hopfield, 1982), который показал, что сети рекуррентно связанных нейронов могут функционировать как ассоциативная память, где каждый запомненный паттерн соответствует отдельному аттрактору. Это открытие положило начало обширным исследованиям аттракторных механизмов в биологических нейронных сетях.

Современные исследования показывают, что аттракторная динамика проявляется на всех уровнях организации нервной системы - от молекулярных сетей регуляции генов до крупномасштабных кортикальных сетей (Rabinovich et al., 2006). Понимание этих механизмов критически важно для объяснения фундаментальных свойств нервной системы: стабильности в присутствии шума, способности к обучению и адаптации, а также генерации сложных поведенческих паттернов.

## Теоретические основы аттракторной динамики

### Математическое описание аттракторов

Аттракторы описываются в рамках теории динамических систем, где состояние системы характеризуется вектором в фазовом пространстве. Для нейронной сети состояние может быть описано как:

**x(t) = [x₁(t), x₂(t), ..., xₙ(t)]ᵀ**

где xᵢ(t) представляет активность i-го нейрона в момент времени t.

Эволюция системы описывается дифференциальным уравнением:

**dx/dt = F(x, p)**

где F - векторное поле, определяющее динамику системы, а p - вектор параметров.

Аттрактор A определяется как замкнутое инвариантное множество, обладающее свойством притяжения: существует окрестность U(A) такая, что для любой траектории x(t) с начальным условием x(0) ∈ U(A) выполняется lim(t→∞) d(x(t), A) = 0, где d - расстояние в фазовом пространстве (Guckenheimer & Holmes, 1983).

### Бассейны притяжения

Бассейн притяжения аттрактора A определяется как множество всех начальных условий, траектории из которых сходятся к A:

**B(A) = {x₀ : lim(t→∞) d(φ(t, x₀), A) = 0}**

где φ(t, x₀) - решение системы с начальным условием x₀.

Размер и форма бассейнов притяжения определяют вычислительные свойства нейронной сети. Большие бассейны обеспечивают робастность к шуму, но могут снижать селективность системы (Hopfield, 1982).

### Устойчивость аттракторов

Устойчивость аттрактора характеризуется показателями Ляпунова λᵢ, которые определяют скорость сходимости или расходимости близких траекторий:

**λᵢ = lim(t→∞) (1/t) ln|δx(t)|**

где δx(t) - возмущение траектории.

Для устойчивого аттрактора все показатели Ляпунова отрицательны (λᵢ < 0), что обеспечивает экспоненциальную сходимость траекторий к аттрактору (Ott, 2002).

## Классификация аттракторов в нейронных сетях

### Точечные аттракторы

Точечный аттрактор представляет собой единственную точку в фазовом пространстве, соответствующую устойчивому равновесному состоянию системы. Математически точечный аттрактор характеризуется тем, что все траектории системы сходятся к единственной точке x*, где dx/dt = 0 и все собственные значения якобиана имеют отрицательные вещественные части.

#### Функциональные роли точечных аттракторов

**Рабочая память**: Устойчивые состояния активности нейронных популяций могут поддерживать информацию в отсутствие внешних входов. Классические эксперименты Фустера и Александера (Fuster & Alexander, 1971) показали, что нейроны префронтальной коры могут поддерживать устойчивую активность во время задержки в задачах рабочей памяти. Эта активность представляет собой точечный аттрактор, который кодирует специфическую информацию о стимуле.

**Принятие решений**: Точечные аттракторы моделируют процесс принятия решений как переход между различными устойчивыми состояниями. Модель Вонга-Ванга (Wong & Wang, 2006) описывает принятие решений как конкуренцию между нейронными популяциями, где победивший аттрактор определяет выбор. В этой модели каждый возможный выбор представлен отдельным точечным аттрактором.

**Категоризация**: Точечные аттракторы могут реализовывать категориальное восприятие, где непрерывные сенсорные входы отображаются на дискретные категории. Каждая категория соответствует отдельному аттрактору, что обеспечивает робастность категориального восприятия к шуму.

**Бистабильность**: Системы с двумя точечными аттракторами демонстрируют бистабильную динамику, где система может находиться в одном из двух устойчивых состояний. Это лежит в основе механизмов переключения между альтернативными перцептивными интерпретациями.

#### Биофизические механизмы

Точечные аттракторы в нейронных сетях реализуются через несколько механизмов:

1. **Рекуррентное возбуждение**: Нейроны с взаимными возбуждающими связями могут поддерживать устойчивую активность через положительную обратную связь (Durstewitz et al., 2000). Сила рекуррентных связей должна превышать критический порог для поддержания устойчивого состояния.

2. **Синаптическая пластичность**: Кратковременная синаптическая пластичность может создавать эффективные аттракторы через изменение синаптических весов (Mongillo et al., 2008). Кратковременная фасилитация может усиливать рекуррентные связи, создавая временные точечные аттракторы.

3. **Внутренние токи**: Специфические ионные каналы, такие как cation-неселективные каналы, могут поддерживать устойчивую деполяризацию (Egorov et al., 2002). Эти механизмы обеспечивают клеточную основу для точечных аттракторов.

4. **Метаботропная модуляция**: Нейромедиаторы могут модулировать внутренние свойства нейронов, создавая условия для формирования точечных аттракторов. Ацетилхолин и дофамин играют особую роль в стабилизации аттракторных состояний.

5. **Архитектурные ограничения**: Специфическая организация связей (например, маломировые сети) может способствовать формированию точечных аттракторов с определенными свойствами устойчивости.

### Циклические аттракторы

Циклические аттракторы представляют собой замкнутые орбиты в фазовом пространстве, соответствующие периодическим режимам активности. Они характеризуются предельными циклами, к которым сходятся близлежащие траектории, и описываются системами дифференциальных уравнений с периодическими решениями.

#### Функциональные роли циклических аттракторов

**Нейронные осцилляции**: Различные частотные диапазоны мозговой активности (альфа 8-12 Гц, бета 13-30 Гц, гамма 30-100 Гц) могут рассматриваться как проявления циклических аттракторов (Buzsáki, 2006). Каждый частотный диапазон связан с определенными когнитивными функциями и может быть описан как отдельный циклический аттрактор.

**Центральные генераторы паттернов**: Нейронные сети, генерирующие ритмические моторные паттерны для дыхания, ходьбы и других циклических движений, реализуют циклические аттракторы (Marder & Bucher, 2001). Эти сети демонстрируют робастность к возмущениям и способность к адаптации параметров цикла.

**Циркадные ритмы**: Молекулярные часы в супрахиазматических ядрах реализуют циклические аттракторы с периодом около 24 часов. Эти аттракторы синхронизируются с внешними сигналами освещенности.

**Эпизодическая память**: Циклические аттракторы могут кодировать последовательности событий, где каждый цикл соответствует воспроизведению эпизода памяти.

#### Механизмы генерации циклов

1. **Релаксационные осцилляции**: Медленные переменные (например, концентрация кальция, активация медленных калиевых каналов) создают циклические изменения в возбудимости нейронов (Izhikevich, 2007). Разделение временных масштабов между быстрыми и медленными переменными обеспечивает устойчивость циклических режимов.

2. **Кольцевые сети**: Нейроны, организованные в кольцевую структуру с направленными связями, могут генерировать бегущие волны активности (Ermentrout & Kopell, 1998). Задержки в синаптической передаче определяют частоту осцилляций.

3. **Взаимное торможение**: Взаимно тормозящие нейронные популяции могут создавать антифазные осцилляции (Börgers & Kopell, 2003). Время торможения определяет период цикла.

4. **Синхронизация осцилляторов**: Слабо связанные нейронные осцилляторы могут синхронизироваться, создавая коллективные циклические аттракторы. Фазовые соотношения между осцилляторами определяют структуру результирующего аттрактора.

5. **Пластичность и адаптация**: Синаптическая пластичность может модулировать параметры циклических аттракторов, обеспечивая адаптацию к изменяющимся условиям.

### Хаотические аттракторы

Хаотические аттракторы характеризуются сложной, непредсказуемой динамикой с чувствительностью к начальным условиям. Они представляют собой странные аттракторы с фрактальной структурой и положительными показателями Ляпунова, что указывает на экспоненциальную дивергенцию близких траекторий.

#### Функциональные роли хаотических аттракторов

**Богатство поведенческих паттернов**: Хаотические аттракторы могут генерировать разнообразные последовательности активности, необходимые для сложного поведения (Skarda & Freeman, 1987). Детерминированный хаос обеспечивает псевдослучайность, полезную для исследовательского поведения.

**Быстрые переходы между состояниями**: Хаотическая динамика может облегчать переходы между различными функциональными состояниями (Tsuda, 2001). Гетероклинические орбиты в хаотических системах обеспечивают эффективные пути между различными режимами.

**Улучшение обнаружения сигналов**: Хаотическая динамика может улучшать обнаружение слабых сигналов через стохастический резонанс и другие нелинейные эффекты.

**Временная сегментация**: Хаотические аттракторы могут обеспечивать временную сегментацию непрерывных сенсорных потоков, создавая дискретные единицы обработки информации.

#### Нейронный хаос

Хаотическая динамика наблюдается в различных нейронных системах:

1. **Обонятельная луковица**: Паттерны активности в обонятельной луковице демонстрируют хаотическую динамику (Freeman, 1991). Хаотические колебания могут способствовать дискриминации запахов и обучению.

2. **Гиппокамп**: Некоторые аспекты активности гиппокампа могут быть описаны хаотическими аттракторами (Babloyantz & Destexhe, 1986). Хаотическая динамика может играть роль в формировании и воспроизведении памяти.

3. **Кортикальные сети**: Локальные кортикальные сети могут демонстрировать хаотическую динамику в определенных условиях (Faure & Korn, 2001). Переходы между регулярными и хаотическими режимами могут быть связаны с изменениями уровня внимания.

4. **Таламические осцилляции**: Некоторые режимы таламической активности демонстрируют хаотические свойства, особенно при переходах между состояниями сна и бодрствования.

5. **Эпилептические разряды**: Парадоксально, некоторые эпилептические состояния могут демонстрировать хаотическую динамику, несмотря на кажущуюся регулярность припадков.

### Странные аттракторы

Странные аттракторы представляют собой фрактальные структуры с нецелой размерностью, сочетающие свойства детерминированности и случайности. Они характеризуются самоподобием на различных масштабах и сложной геометрической структурой.

#### Свойства странных аттракторов

**Фрактальная размерность**: Странные аттракторы имеют дробную размерность, промежуточную между размерностями простых геометрических объектов. Корреляционная размерность и размерность Хаусдорфа являются основными мерами сложности.

**Самоподобие**: Структура странного аттрактора воспроизводится на различных масштабах, что указывает на иерархическую организацию динамики.

**Чувствительность к начальным условиям**: Малые изменения в начальных условиях приводят к экспоненциально растущим различиям в траекториях системы.

#### Функциональные роли странных аттракторов

**Обработка информации**: Странные аттракторы могут обеспечивать сложную обработку информации с высокой чувствительностью к входным сигналам (Kaneko & Tsuda, 2003). Фрактальная структура позволяет кодировать большие объемы информации в компактном пространстве состояний.

**Творческие процессы**: Некоторые исследователи предполагают, что творческое мышление может быть связано с динамикой странных аттракторов (Sulis, 2009). Непредсказуемые переходы между различными областями аттрактора могут соответствовать инсайтам и креативным озарениям.

**Адаптивность**: Странные аттракторы могут обеспечивать адаптивное поведение через исследование различных областей пространства состояний.

**Консолидация памяти**: Сложная структура странных аттракторов может способствовать консолидации памяти, обеспечивая множественные пути доступа к хранящейся информации.

### Квазипериодические аттракторы

Квазипериодические аттракторы представляют собой промежуточный класс между периодическими и хаотическими аттракторами. Они характеризуются движением на торе с несоизмеримыми частотами.

#### Свойства квазипериодических аттракторов

**Многочастотная динамика**: Квазипериодические аттракторы демонстрируют наложение нескольких несоизмеримых частот, создавая сложные, но предсказуемые паттерны активности.

**Фазовая синхронизация**: Различные компоненты квазипериодической динамики могут демонстрировать фазовую синхронизацию без частотного захвата.

**Резонансы**: При определенных соотношениях частот могут возникать резонансные явления, приводящие к качественным изменениям в динамике.

#### Функциональные роли

**Мультимодальная интеграция**: Квазипериодические аттракторы могут обеспечивать интеграцию информации из различных сенсорных модальностей с разными временными характеристиками.

**Иерархическая обработка**: Различные временные масштабы в квазипериодической динамике могут соответствовать различным уровням иерархической обработки информации.

**Координация движений**: Квазипериодические аттракторы могут лежать в основе координации сложных движений, требующих согласования множественных степеней свободы.

## Метастабильные состояния и переходы

### Концепция метастабильности

Метастабильность представляет собой фундаментальное свойство динамических систем, где система находится в состоянии локальной стабильности, но не соответствует глобальному минимуму энергии или свободной энергии. В контексте нейронных сетей метастабильные состояния обеспечивают критически важный баланс между стабильностью и гибкостью, позволяя нервной системе поддерживать устойчивые функциональные состояния при сохранении способности к адаптивным изменениям (Kelso, 2012).

#### Математическое описание метастабильности

В рамках теории динамических систем метастабильное состояние можно описать через потенциальную функцию V(x), где система находится в локальном минимуме:

∇V(x*) = 0** и **∇²V(x*) > 0

при этом существует глобальный минимум x_global такой, что V(x_global) < V(x*).

Характерное время пребывания системы в метастабильном состоянии определяется высотой энергетического барьера ΔE = V(x_saddle) - V(x*), где x_saddle - седловая точка, отделяющая метастабильное состояние от других аттракторов.

#### Свойства метастабильных аттракторов

Метастабильные аттракторы характеризуются рядом уникальных свойств:

1. **Конечное время жизни**: В отличие от устойчивых аттракторов, метастабильные состояния имеют конечное время существования до спонтанного перехода. Время жизни τ экспоненциально зависит от высоты энергетического барьера и может варьировать от миллисекунд до минут и даже часов в зависимости от характеристик системы.

2. **Чувствительность к возмущениям**: Малые возмущения могут вызывать переходы между метастабильными состояниями, что обеспечивает гибкость нейронных сетей. Критическая амплитуда возмущения для перехода определяется геометрией бассейна притяжения.

3. **Иерархическая организация**: Метастабильные состояния могут быть организованы в иерархические структуры с различными временными масштабами. Быстрые переходы между состояниями одного уровня могут происходить на фоне медленных переходов между состояниями более высокого уровня.

4. **Стохастическая динамика**: Переходы между метастабильными состояниями носят стохастический характер, что обеспечивает богатство поведенческих паттернов и адаптивность системы.

#### Нейробиологические основы метастабильности

##### Синаптические механизмы

Метастабильность в нейронных сетях возникает благодаря нелинейным свойствам синаптической передачи:

- **Кратковременная синаптическая пластичность**: Депрессия и фасилитация синапсов создают временно-зависимые изменения в эффективности передачи, формируя метастабильные конфигурации связности.

- **Синаптическое насыщение**: Нелинейные характеристики NMDA-рецепторов обеспечивают насыщение синаптических ответов, создавая плато в передаточных функциях.

- **Внесинаптические взаимодействия**: Диффузия нейротрансмиттеров и модуляторов создает дополнительные нелинейности в сетевой динамике.

##### Клеточные механизмы

На уровне отдельных нейронов метастабильность обеспечивается:

- **Бистабильными мембранными свойствами**: Некоторые нейроны могут поддерживать два различных уровня мембранного потенциала благодаря специфическим ионным каналам.

- **Дендритными нелинейностями**: Активные дендритные процессы создают пороговые явления и локальные регенеративные события.

- **Кальциевой динамикой**: Внутриклеточная кальциевая сигнализация обеспечивает долговременные изменения в возбудимости нейронов.

### Механизмы метастабильности

#### Шумовые переходы

Флуктуации в нейронной активности играют ключевую роль в переходах между метастабильными состояниями. Эти флуктуации имеют различные источники:

##### Внутренний шум

- **Синаптический шум**: Стохастический характер везикулярного выброса нейротрансмиттера
- **Канальный шум**: Случайные открытия и закрытия ионных каналов
- **Метаболический шум**: Флуктуации в энергетическом обмене клетки

##### Внешний шум

- **Сенсорный шум**: Случайные сенсорные входы
- **Корковый шум**: Спонтанная активность других областей мозга
- **Нейромодуляторный шум**: Флуктуации в концентрации нейромодуляторов

Время перехода между метастабильными состояниями описывается расширенной формулой Крамерса:

**τ = τ₀ exp(ΔE/kT) · C(ω₀/ω_s)**

где:   
- τ₀ - характерное время системы
- ΔE - высота энергетического барьера
- k - константа Больцмана
- T - эффективная "температура" системы (уровень шума)
- C - предэкспоненциальный фактор
- ω₀ - частота в минимуме
- ω_s - частота в седле

#### Бифуркационные переходы

Изменения в параметрах системы могут вызывать бифуркации - качественные изменения в структуре аттракторов. В нейронных сетях наблюдаются следующие типы бифуркаций:

##### Седло-узловая бифуркация

Происходит при изменении параметра μ через критическое значение μ_c. Математически описывается нормальной формой:

**dx/dt = μ - x²**

В нейронных сетях реализуется через:   
- Изменение баланса возбуждения-торможения
- Модификацию синаптических весов
- Изменение внешнего входа

##### Бифуркация Андронова-Хопфа

Переход от точечного аттрактора к циклическому при пересечении комплексными собственными числами мнимой оси. Описывается системой:

**dx/dt = μx - y - x(x² + y²)**   
**dy/dt = x + μy - y(x² + y²)**

Проявляется в:

- Возникновении нейронных осцилляций
- Переходе между синхронными и асинхронными режимами
- Формировании ритмических паттернов активности

##### Гомоклинические бифуркации

Образование сложных аттракторов через гомоклинические орбиты - траектории, которые асимптотически приближаются к седловой точке как при t → +∞, так и при t → -∞.

Характеристики гомоклинических бифуркаций:

- Создание хаотических аттракторов
- Формирование бесконечного множества периодических орбит
- Возникновение сложных переходных процессов

#### Детерминированные переходы

Помимо стохастических переходов, метастабильные системы могут демонстрировать детерминированные переходы, вызванные:

##### Внешними воздействиями

- **Периодическая стимуляция**: Регулярные внешние сигналы могут синхронизировать переходы
- **Импульсная стимуляция**: Кратковременные сильные воздействия могут принудительно переводить систему в другое состояние
- **Параметрическая модуляция**: Изменение параметров системы во времени

##### Внутренними механизмами

- **Адаптация**: Медленные процессы адаптации могут приводить к детерминированным переходам
- **Синаптическая пластичность**: Долговременные изменения синаптических весов
- **Гомеостатические механизмы**: Поддержание баланса активности в сети

### Функциональная роль метастабильности

#### Когнитивная гибкость

Метастабильные состояния обеспечивают когнитивную гибкость через несколько механизмов:

##### Быстрое переключение контекста

Метастабильная динамика позволяет быстро переключаться между различными режимами обработки информации без необходимости полной реорганизации сетевой архитектуры. Экспериментальные данные показывают, что время переключения между когнитивными задачами коррелирует с характеристиками метастабильной динамики в соответствующих мозговых сетях.

##### Рабочая память

В системах рабочей памяти метастабильность обеспечивает:

- **Активное поддержание информации**: Метастабильные состояния могут поддерживать активность в отсутствие внешних входов
- **Селективное внимание**: Переходы между состояниями позволяют фокусироваться на релевантной информации
- **Интерференция и забывание**: Метастабильность объясняет ограниченную емкость рабочей памяти

##### Исполнительный контроль

Метастабильные сети в префронтальной коре обеспечивают:

- Мониторинг конфликтов между различными процессами
- Адаптивное изменение стратегий поведения
- Контроль импульсов и планирование действий

Исследования показывают, что нарушения метастабильности связаны с когнитивными расстройствами, включая СДВГ, шизофрению и деменцию (Deco & Jirsa, 2012).

#### Креативность и инновационное мышление

Метастабильная динамика может лежать в основе креативных процессов через несколько механизмов:

##### Дивергентное мышление

Метастабильные переходы между различными семантическими и концептуальными состояниями обеспечивают:

- Генерацию множественных решений
- Нестандартные ассоциации между идеями
- Преодоление когнитивной ригидности

##### Инсайт и "aha!"-моменты

Спонтанные переходы между метастабильными состояниями могут объяснять:

- Внезапное появление решения
- Реструктурирование проблемного пространства
- Интеграцию разрозненной информации

##### Художественное творчество

В художественном творчестве метастабильность проявляется в:

- Переходах между различными стилями и техниками
- Спонтанных изменениях в творческом процессе
- Интеграции различных влияний и традиций

Нейровизуализационные исследования показывают, что креативные процессы сопровождаются изменениями в метастабильной динамике сетей мозга, особенно в связи между сетью пассивного режима работы мозга и исполнительными сетями (Fingelkurts et al., 2013).

#### Принятие решений

Метастабильные состояния играют фундаментальную роль в процессах принятия решений:

##### Модель конкуренции между альтернативами

В задачах выбора между альтернативами метастабильные состояния соответствуют:

- Неопределенному состоянию перед принятием решения
- Конкуренции между различными вариантами
- Окончательному выбору как переходу в устойчивое состояние

##### Накопление доказательств

Метастабильная динамика обеспечивает:

- Интеграцию информации во времени
- Взвешивание различных факторов
- Адаптивные пороги для принятия решений

##### Пересмотр решений

Метастабильность позволяет:

- Возвращаться к ранее принятым решениям
- Учитывать новую информацию
- Адаптировать стратегии в изменяющихся условиях

Исследования показывают, что индивидуальные различия в метастабильной динамике коррелируют с особенностями принятия решений, включая скорость, точность и стратегии выбора (Mulder et al., 2012).

#### Социальная когниция

Метастабильность также играет важную роль в социальных когнитивных процессах:

##### Теория разума

Понимание намерений и убеждений других людей требует:

- Переключения между собственной и чужой перспективой
- Гибкого моделирования различных точек зрения
- Интеграции социальной информации

##### Эмпатия

Эмпатические процессы включают:

- Метастабильные переходы между собственными и чужими эмоциональными состояниями
- Баланс между эмоциональным резонансом и когнитивным контролем
- Адаптивную модуляцию эмпатических ответов

##### Социальное обучение

Обучение через наблюдение и подражание требует:

- Переключения между режимами наблюдения и действия
- Интеграции социальной и индивидуальной информации
- Адаптивного копирования поведенческих стратегий

### Патологические нарушения метастабильности

#### Чрезмерная стабильность

Некоторые психические расстройства связаны с чрезмерной стабильностью метастабильных состояний:

##### Обсессивно-компульсивное расстройство

- Застревание в патологических поведенческих паттернах
- Снижение способности к переключению между состояниями
- Гипертрофированная стабильность нежелательных мыслей

##### Депрессия

- Устойчивые негативные когнитивные состояния
- Снижение когнитивной гибкости
- Нарушения в системах вознаграждения

#### Чрезмерная нестабильность

Другие расстройства характеризуются чрезмерной нестабильностью:

##### Биполярное расстройство

- Неконтролируемые переходы между эмоциональными состояниями
- Нарушение регуляции аффекта
- Патологическая лабильность настроения

##### Шизофрения

- Нарушение связности между метастабильными состояниями
- Патологические переходы в перцептивных системах
- Дезорганизация когнитивных процессов

#### Терапевтические подходы

Понимание метастабильной динамики открывает новые терапевтические возможности:

##### Нейростимуляция

- Транскраниальная стимуляция для модуляции метастабильных состояний
- Глубокая стимуляция мозга для коррекции патологических аттракторов
- Биофидбэк для тренировки контроля над метастабильной динамикой

##### Фармакотерапия

- Модуляция нейротрансмиттерных систем для изменения метастабильности
- Таргетная терапия для коррекции баланса стабильности-гибкости
- Персонализированные подходы на основе индивидуальных характеристик динамики

##### Когнитивная терапия

- Тренировка когнитивной гибкости
- Техники mindfulness для управления метастабильными состояниями
- Развитие метакогнитивных навыков контроля над динамикой мышления

## Аттракторы на разных уровнях организации

### Молекулярный уровень

На молекулярном уровне аттракторная динамика проявляется в регуляторных генных сетях, где различные экспрессионные состояния соответствуют различным аттракторам (Kauffman, 1993). Молекулярные аттракторы формируют фундаментальную основу для более сложных нейронных процессов, обеспечивая устойчивость и переключаемость между различными клеточными состояниями.

#### Генные регуляторные сети

Генные регуляторные сети представляют собой сложные динамические системы, где взаимодействие между генами создает многомерные аттракторные ландшафты. Эти ландшафты определяют возможные состояния экспрессии генов и пути переходов между ними.

**Автокаталитические петли** формируют основу для точечных аттракторов в генных сетях. Положительная обратная связь в экспрессии генов создает устойчивые состояния, где продукт гена активирует собственную экспрессию (Ferrell, 2002). Математически такие системы описываются уравнениями типа:

**dx/dt = f(x) - γx**

где f(x) - нелинейная функция активации, а γ - константа деградации. При f'(x) > γ система имеет устойчивое состояние высокой экспрессии.

Классическими примерами автокаталитических петель являются:

- **Транскрипционные активаторы**: Белки-активаторы, которые связываются с промоторами собственных генов
- **MicroRNA-опосредованные петли**: Регуляторные петли с участием микроРНК
- **Эпигенетические петли**: Самоподдерживающиеся модификации хроматина

**Переключательные схемы** создают бистабильные аттракторы через взаимное подавление генов. Классическая модель генетического переключателя включает два гена, каждый из которых подавляет экспрессию другого (Gardner et al., 2000). Такие системы описываются уравнениями:

**dx₁/dt = α₁/(1 + (x₂/K₂)ⁿ) - γ₁x₁**   
**dx₂/dt = α₂/(1 + (x₁/K₁)ⁿ) - γ₂x₂**

где x₁ и x₂ - концентрации продуктов генов, α - максимальные скорости транскрипции, K - константы подавления, n - коэффициент кооперативности.

Биологические примеры переключательных схем:

- **Lac-оперон**: Переключение между состояниями репрессии и активации
- **Лизис-лизогения**: Выбор между литическим и лизогенным циклами у бактериофагов
- **Клеточный цикл**: Переключения между фазами клеточного цикла

**Осцилляторные схемы** генерируют циклические аттракторы через отрицательную обратную связь с задержкой. Простейший генный осциллятор может быть создан из трех генов, образующих кольцо репрессии (Elowitz & Leibler, 2000). Математическая модель такой системы:

**dx₁/dt = α/(1 + x₃ⁿ) - x₁**   
**dx₂/dt = α/(1 + x₁ⁿ) - x₂**  
**dx₃/dt = α/(1 + x₂ⁿ) - x₃**

Примеры естественных генных осцилляторов:

- **Циркадные часы**: 24-часовые осцилляции экспрессии генов
- **Клеточный цикл**: Периодические изменения в экспрессии циклинов
- **Сегментация**: Осцилляции генов сегментации в развивающихся эмбрионах

#### Сигнальные каскады

Внутриклеточные сигнальные каскады демонстрируют богатую аттракторную динамику, которая критически важна для обработки информации и принятия решений на клеточном уровне.

**Бистабильные каскады** возникают в системах фосфорилирования белков, где множественные стабильные состояния создаются через кооперативность и положительную обратную связь (Ferrell & Xiong, 2001). Кинетика таких систем описывается уравнениями Михаэлиса-Ментен с модификациями:

dS*/dt = k₁E₁S/(Km₁ + S) - k₂E₂S*/(Km₂ + S*)

где S и S* - нефосфорилированная и фосфорилированная формы субстрата, E₁ и E₂ - киназа и фосфатаза соответственно.

Механизмы создания бистабильности:

- **Мультисайтовое фосфорилирование**: Кооперативные эффекты при фосфорилировании нескольких сайтов
- **Ферментативная кооперативность**: Аллостерические эффекты в киназах и фосфатазах
- **Секвестрация**: Связывание активных форм белков неактивными партнерами

**Кальциевые осцилляции** представляют собой циклические аттракторы, основанные на динамике внутриклеточного кальция (Berridge et al., 2003). Основные компоненты кальциевой осцилляторной системы:

1. **IP₃-рецепторы**: Кальций-чувствительные каналы эндоплазматического ретикулума
2. **Кальциевые насосы**: SERCA и плазматические мембранные Ca²⁺-ATPases
3. **Кальций-связывающие белки**: Буферные системы, модулирующие кальциевую динамику

Математическая модель кальциевых осцилляций:

**dc/dt = J_in - J_out + J_leak - J_pump**

где J_in - поток кальция через IP₃-рецепторы, J_out - поток через плазматическую мембрану, J_leak - утечка из внутренних депо, J_pump - обратный захват кальция.

**Осцилляции циклических нуклеотидов** создают временные паттерны активности через периодические изменения в концентрации cAMP и cGMP (Goldbeter, 1996). Эти системы особенно важны для:

- **Хемотаксиса**: Направленного движения клеток
- **Нейромодуляции**: Модуляции синаптической передачи
- **Клеточной коммуникации**: Межклеточной сигнализации

### Клеточный уровень

На клеточном уровне аттракторная динамика проявляется в электрических свойствах нейронов, создавая основу для нейронных вычислений и кодирования информации.

#### Нейронные осцилляторы

Отдельные нейроны могут функционировать как осцилляторы, генерируя ритмическую активность через сложные взаимодействия ионных каналов и внутриклеточных процессов.

**Пейсмекерные нейроны** обладают внутренними осцилляциями мембранного потенциала, которые не зависят от синаптических входов (Llinas, 1988). Механизмы пейсмекерной активности:

1. **Медленные кальциевые токи**: T-type кальциевые каналы создают медленные осцилляции
2. **Гиперполяризация-активируемые токи**: HCN каналы генерируют ритмическую активность
3. **Натриевые персистентные токи**: Создают медленные деполяризации

Математическая модель пейсмекерного нейрона (модель Моррис-Лекара):

**C dV/dt = -g_Ca m_∞(V)(V - V_Ca) - g_K w(V - V_K) - g_L(V - V_L) + I**

где V - мембранный потенциал, m_∞ - функция активации кальциевых каналов, w - переменная активации калиевых каналов.

Биологические примеры пейсмекерных нейронов:

- **Таламические нейроны**: Генерация веретен сна и альфа-ритма
- **Дыхательные нейроны**: Контроль ритма дыхания
- **Кардиальные нейроны**: Регуляция сердечного ритма

**Условные осцилляторы** генерируют ритмическую активность только в определенных условиях, таких как деполяризация или специфические нейромодуляторные воздействия (Izhikevich, 2007). Типы условных осцилляторов:

1. **Пост-тормозные осцилляторы**: Активируются после снятия торможения
2. **Модуляторно-зависимые осцилляторы**: Требуют присутствия специфических нейромодуляторов
3. **Сетевые осцилляторы**: Зависят от сетевых взаимодействий

**Резонансные нейроны** селективно отвечают на определенные частоты входных сигналов, действуя как биологические фильтры (Hutcheon & Yarom, 2000). Механизмы резонанса:

1. **Импеданс-зависимый резонанс**: Частотно-зависимое сопротивление мембраны
2. **Субпороговые осцилляции**: Мембранные осцилляции ниже порога генерации спайков
3. **Синаптическая интеграция**: Временная суммация синаптических входов

Резонансные свойства описываются импедансом мембраны:

**Z(ω) = 1/(g_L + g_ion(ω) + iωC)**

где ω - частота, g_L - conductance утечки, g_ion - частотно-зависимая conductance ионных каналов, C - емкость мембраны.

#### Бистабильные нейроны

Некоторые нейроны демонстрируют бистабильность - способность поддерживать два различных уровня активности при одинаковых входных условиях. Это создает клеточную основу для рабочей памяти и устойчивых состояний.

**Плато-потенциалы** представляют собой устойчивые деполяризованные состояния, которые могут поддерживаться в течение длительного времени (Hounsgaard et al., 1988). Механизмы генерации плато-потенциалов:

1. **Персистентные натриевые токи**: Медленно инактивирующиеся натриевые каналы
2. **L-type кальциевые каналы**: Создают устойчивые кальциевые токи
3. **Неселективные катионные каналы**: Поддерживают деполяризацию через смешанные токи

Математическое описание бистабильности:

**dV/dt = (I_Na,p + I_Ca,L + I_can - I_K - I_leak)/C**

где различные токи создают N-образную вольт-амперную характеристику с множественными точками пересечения.

**Бистабильные интернейроны** могут переключаться между различными режимами активности, такими как молчание и тоническая активность (Loewenstein et al., 2005). Функциональные роли:

1. **Контроль возбудимости**: Модуляция чувствительности нейронных цепей
2. **Гейтинг информации**: Селективное пропускание сигналов
3. **Рабочая память**: Поддержание информации в активном состоянии

Примеры бистабильных нейронов:

- **Клетки Пуркинье**: Переключение между up- и down-состояниями
- **Пирамидные нейроны**: Бистабильность в дендритах
- **Интернейроны гиппокампа**: Переключение режимов активности

#### Многостабильные нейроны

Некоторые нейроны демонстрируют более сложную динамику с множественными стабильными состояниями:

**Тристабильные нейроны** имеют три различных режима активности:

1. Состояние покоя (гиперполяризация)
2. Субпороговые осцилляции
3. Генерация спайков

**Мультистабильные нейроны** могут иметь непрерывный спектр стабильных состояний, что обеспечивает богатые вычислительные возможности.

#### Динамические свойства нейронных аттракторов

Нейронные аттракторы на клеточном уровне характеризуются несколькими важными свойствами:

1. **Время релаксации**: Скорость сходимости к аттрактору
2. **Размер бассейна притяжения**: Диапазон начальных условий, ведущих к аттрактору
3. **Устойчивость к возмущениям**: Способность сохранять состояние при внешних воздействиях
4. **Модулируемость**: Возможность изменения аттракторных свойств нейромодуляторами

Эти свойства определяют вычислительные возможности отдельных нейронов и их вклад в сетевую динамику.

### Локальные сети

#### Кортикальные микросхемы

Локальные кортикальные сети представляют собой фундаментальные вычислительные модули, демонстрирующие богатую аттракторную динамику на различных пространственно-временных масштабах.

**Колонки как функциональные аттракторы**

Кортикальные колонки функционируют как устойчивые аттракторы, обеспечивая специализированную обработку информации в пределах вертикальных структур диаметром 300-600 мкм (Mountcastle, 1997). Каждая колонка содержит приблизительно 10,000-50,000 нейронов, организованных в шесть слоев, и демонстрирует специфические аттракторные свойства:

1. **Ориентационные колонки**: В первичной зрительной коре колонки, селективные к определенным ориентациям, формируют точечные аттракторы, где устойчивое состояние активности соответствует предпочтительной ориентации стимула. Латеральные тормозные связи между колонками с различными предпочтениями создают конкурентную динамику, усиливающую селективность.

2. **Окулярные доминантные колонки**: Аттракторы, связанные с бинокулярной обработкой, демонстрируют переключение между состояниями доминирования левого и правого глаза через механизм взаимного торможения.

3. **Гиперколонки**: Комплексы функционально связанных колонок образуют более крупные аттракторные структуры, способные обрабатывать полный набор ориентаций и окулярных предпочтений для данного участка зрительного поля.

**Слоевая организация и специфические аттракторные свойства**

Различные слои коры демонстрируют специфические аттракторные свойства, определяемые их анатомическими связями и функциональной специализацией (Douglas & Martin, 2004):

1. **Слой I (молекулярный)**: Содержит преимущественно дендриты и аксоны, функционирует как интегративная зона, где формируются аттракторы для модуляции активности нижележащих слоев.

2. **Слой II/III (наружный гранулярный/пирамидальный)**: Содержит пирамидальные нейроны, образующие горизонтальные связи и формирующие аттракторы для интракортикальной ассоциативной обработки. Эти слои демонстрируют выраженную рекуррентную связность, создающую метастабильные аттракторы.

3. **Слой IV (внутренний гранулярный)**: Основной реципиент таламических входов, формирует входные аттракторы, где внешние стимулы инициируют специфические паттерны активности. Звездчатые нейроны этого слоя создают фидфорвард аттракторы для передачи информации в супрагранулярные слои.

4. **Слой V (внутренний пирамидальный)**: Содержит крупные пирамидальные нейроны, проецирующиеся в подкорковые структуры. Формирует выходные аттракторы для передачи обработанной информации в моторные и другие эффекторные системы.

5. **Слой VI (полиморфный)**: Обеспечивает кортико-таламическую обратную связь, формирует модуляторные аттракторы для контроля таламических входов и создания замкнутых кортико-таламических петель.

**Возбуждающе-тормозные сети и аттракторная динамика**

Баланс между возбуждением и торможением создает сложную аттракторную динамику через несколько механизмов (Brunel, 2000):

1. **Асинхронные нерегулярные состояния**: При сбалансированном возбуждении и торможении сеть демонстрирует аттракторы с нерегулярной спайковой активностью отдельных нейронов, но стабильными популяционными скоростями.

2. **Синхронные осцилляции**: Нарушение баланса в сторону возбуждения может привести к формированию циклических аттракторов, соответствующих синхронным осцилляциям в гамма-диапазоне (30-100 Гц).

3. **Бистабильные состояния**: Определенные параметры возбуждающе-тормозных сетей могут создавать бистабильные аттракторы, где сеть переключается между состояниями низкой и высокой активности.

4. **Интернейронные подтипы**: Различные типы тормозных интернейронов (пакетоклеточные, корзинчатые, нейроглиаформные) создают специфические аттракторные динамики через различные временные константы торможения.

#### Гиппокампальные сети

Гиппокамп демонстрирует множественные типы аттракторной динамики, критически важные для формирования и извлечения памяти.

**Аттракторы места и пространственная навигация**

Нейроны места в области CA1 и CA3 гиппокампа формируют аттракторы для пространственной навигации (Samsonovich & McNaughton, 1997):

1. **Непрерывные аттракторы**: Карты места организованы как непрерывные аттракторы, где плавное перемещение в пространстве соответствует плавному перемещению активности по нейронной популяции.

2. **Интеграция пути**: Механизмы интеграции пути используют аттракторную динамику для обновления внутренней оценки положения на основе проприоцептивной и вестибулярной информации.

3. **Предвосхищающие аттракторы**: Тета-последовательности в гиппокампе демонстрируют активацию нейронов места, соответствующих будущим положениям, создавая предвосхищающие аттракторы для планирования движения.

4. **Ремаппинг**: Изменение окружающей среды может вызывать глобальный ремаппинг, где вся система аттракторов места реорганизуется для новой пространственной конфигурации.

**Последовательные аттракторы и эпизодическая память**

Временные последовательности активности кодируют эпизодическую память через последовательные аттракторы (Lisman, 1999):

1. **Сжатие времени**: Во время острых волн-рипплов происходит сжатое воспроизведение последовательностей активности, соответствующих недавним пространственным траекториям.

2. **Цепи аттракторов**: Последовательности событий кодируются как цепи связанных аттракторов, где переход от одного аттрактора к следующему воспроизводит временную структуру эпизода.

3. **Дентато-гиральная петля**: Зубчатая извилина-CA3 взаимодействия создают механизм для разделения паттернов и формирования дискретных эпизодических аттракторов.

4. **Завершение паттерна**: Область CA3 с ее обширными рекуррентными связями функционирует как автоассоциативная сеть, способная к завершению паттерна через аттракторную динамику.

**Тета-ритм как циклический аттрактор**

Тета-ритм (4-12 Гц) представляет собой циклический аттрактор, координирующий гиппокампальную активность (Buzsáki, 2002):

1. **Фазовое кодирование**: Время спайков нейронов места относительно тета-фазы кодирует точное положение в пространстве, создавая фазово-зависимые аттракторы.

2. **Тета-последовательности**: Внутри каждого тета-цикла происходит последовательная активация нейронов места, соответствующих траектории движения животного.

3. **Энторинальные входы**: Грид-нейроны медиальной энторинальной коры обеспечивают метрическую основу для тета-аттракторов через свои периодические пространственные паттерны стрельбы.

4. **Септальная модуляция**: Медиальная септа обеспечивает холинергическую и GABAергическую модуляцию тета-ритма, контролируя стабильность и частоту циклического аттрактора.

### Региональные сети

#### Таламо-кортикальные сети

Таламо-кортикальные сети демонстрируют сложную аттракторную динамику, критически важную для регуляции состояний сознания и сенсорной обработки.

**Циклы сна-бодрствования как переходы между аттракторными состояниями**

Переходы между различными аттракторными состояниями определяют циклы сна-бодрствования (Steriade, 2003):

1. **Аттрактор бодрствования**: Характеризуется высокочастотной десинхронизованной активностью, поддерживаемой восходящими нейромодуляторными системами (холинергической, норадренергической, дофаминергической).

2. **Медленноволновой аттрактор**: Состояние медленного сна характеризуется синхронными дельта-осцилляциями (0.5-4 Гц), генерируемыми таламо-кортикальными петлями.

3. **REM-аттрактор**: Состояние быстрого сна демонстрирует высокочастотную активность, схожую с бодрствованием, но с отключенными моторными выходами.

4. **Переходные состояния**: Переходы между основными аттракторами включают промежуточные метастабильные состояния с характерными электрофизиологическими маркерами.

**Веретена сна как циклические аттракторы**

Веретена сна представляют собой циклические аттракторы, генерируемые таламо-кортикальными сетями (Steriade et al., 1993):

1. **Ретикулярное ядро**: Тормозные нейроны ретикулярного ядра таламуса генерируют ритмические разряды через взаимодействие T-типных кальциевых каналов и калиевых каналов.

2. **Таламо-кортикальные петли**: Веретена распространяются через таламо-кортикальные петли, создавая корреляированную активность в обширных кортикальных областях.

3. **Частотная модуляция**: Частота веретен модулируется нейромодуляторными системами и отражает глубину сна.

4. **Группировка медленных волн**: Веретена часто группируются с медленными волнами, создавая сложные составные аттракторы.

**Эпилептические состояния как патологические аттракторы**

Патологические аттракторы с высокой синхронностью характеризуют эпилептические состояния (Lytton, 2008):

1. **Интериктальные спайки**: Кратковременные гиперсинхронные разряды представляют собой нестабильные патологические аттракторы.

2. **Иктальные разряды**: Эпилептические припадки соответствуют устойчивым патологическим аттракторам с аномальной синхронизацией.

3. **Фокальные vs. генерализованные аттракторы**: Различные типы эпилепсии характеризуются локальными или глобальными патологическими аттракторами.

4. **Противоэпилептические механизмы**: Эндогенные механизмы подавления (например, активация GABAергических интернейронов) могут дестабилизировать патологические аттракторы.

#### Базальные ганглии

Базальные ганглии реализуют аттракторную динамику для управления движением и обучения через сложную систему параллельных петель.

**Селекция действий через конкуренцию аттракторов**

Конкуренция между различными аттракторами обеспечивает селекцию действий (Redgrave et al., 1999):

1. **Прямой путь**: Активация прямого пути (стриатум → внутренний паллидум → таламус) усиливает специфические аттракторы действий через растормаживание.

2. **Непрямой путь**: Непрямой путь (стриатум → внешний паллидум → субталамическое ядро → внутренний паллидум) подавляет конкурирующие аттракторы.

3. **Гиперпрямой путь**: Кортико-субталамический путь обеспечивает общее торможение всех аттракторов, создавая "стоп-сигнал" для текущих действий.

4. **Победитель забирает все**: Механизм латерального торможения в базальных ганглиях реализует принцип "победитель забирает все" для селекции единственного действия.

**Дофаминовая модуляция аттракторной динамики**

Дофамин модулирует аттракторную динамику для обучения и адаптации (Schultz, 2002):

1. **Сигнал ошибки предсказания**: Дофаминовые нейроны среднего мозга кодируют ошибки предсказания вознаграждения, модулируя стабильность аттракторов.

2. **Синаптическая пластичность**: Дофамин-зависимая пластичность кортико-стриатальных синапсов изменяет бассейны притяжения различных аттракторов действий.

3. **D1 vs. D2 рецепторы**: Различные подтипы дофаминовых рецепторов в стриатуме дифференциально модулируют прямой и непрямой пути.

4. **Обучение с подкреплением**: Дофаминовая модуляция реализует алгоритмы обучения с подкреплением через изменение аттракторной динамики.

**Патологические состояния и нарушения аттракторной динамики**

Болезнь Паркинсона и другие расстройства связаны с нарушениями аттракторной динамики (Bevan et al., 2002):

1. **Дефицит дофамина**: Потеря дофаминовых нейронов при болезни Паркинсона нарушает модуляцию аттракторов, приводя к трудностям инициации движения.

2. **Патологические осцилляции**: Субталамо-паллидарные сети демонстрируют патологические бета-осцилляции, создающие жесткие аттракторы, препятствующие нормальному движению.

3. **Дискинезии**: Избыточная дофаминовая стимуляция может создавать нестабильные аттракторы, приводящие к непроизвольным движениям.

4. **Глубокая стимуляция мозга**: Высокочастотная стимуляция может разрушать патологические аттракторы и восстанавливать нормальную динамику.

### Глобальные сети

#### Сети состояния покоя

Сети состояния покоя демонстрируют метастабильную аттракторную динамику, критически важную для поддержания базовых функций мозга и подготовки к активной обработке информации.

**Базовая сеть (Default Mode Network)**

Базовая сеть формирует устойчивые паттерны активности в отсутствие внешних задач (Raichle et al., 2001):

1. **Основные узлы**: Медиальная префронтальная кора, задняя цингулярная кора, угловая извилина и гиппокамп формируют основные узлы базовой сети.

2. **Антикорреляция с задачами**: Базовая сеть демонстрирует деактивацию во время выполнения внешних задач, предполагая переключение между внутренними и внешними аттракторами.

3. **Самореферентная обработка**: Аттракторы базовой сети связаны с самореферентными процессами, автобиографической памятью и социальным познанием.

4. **Развитие и старение**: Структура базовой сети изменяется в онтогенезе, отражая эволюцию аттракторных паттернов от детства к взрослому возрасту.

**Сеть внимания и контроля**

Аттракторы, связанные с контролем внимания, обеспечивают целенаправленное поведение (Corbetta & Shulman, 2002):

1. **Дорсальная сеть внимания**: Включает внутритеменную борозду и фронтальные поля глаза, формирует аттракторы для произвольного контроля внимания.

2. **Вентральная сеть внимания**: Включает височно-теменной узел и вентральную префронтальную кору, создает аттракторы для обнаружения релевантных стимулов.

3. **Переключение внимания**: Переходы между различными аттракторами внимания контролируются салиентной сетью.

4. **Поддержание внимания**: Устойчивые аттракторы в дорсальной сети обеспечивают поддержание фокуса внимания на релевантных стимулах.

**Салиентная сеть и переключение состояний**

Салиентная сеть контролирует переключение между различными аттракторными состояниями (Seeley et al., 2007):

1. **Передняя островковая кора**: Центральный узел салиентной сети, интегрирующий интероцептивную и экстероцептивную информацию.

2. **Дорсальная передняя цингулярная кора**: Монитор конфликтов и ошибок, инициирующий переходы между аттракторами.

3. **Обнаружение значимости**: Салиентная сеть оценивает значимость внутренних и внешних стимулов для инициации переходов.

4. **Гибкость переключения**: Эффективность переключения между аттракторами определяет когнитивную гибкость и адаптивность.

#### Глобальное рабочее пространство

Глобальное рабочее пространство реализует аттракторную динамику для интеграции информации и возникновения сознательного опыта.

**Сознательные состояния как глобальные аттракторы**

Глобальные аттракторы соответствуют сознательному восприятию (Dehaene & Changeux, 2011):

1. **Пороговая динамика**: Сознательное восприятие возникает при достижении критического порога активации глобального аттрактора.

2. **Глобальная доступность**: Сознательная информация становится глобально доступной различным когнитивным системам через широкодисперсную активацию.

3. **Нелинейная динамика**: Переход от несознательного к сознательному состоянию характеризуется нелинейной динамикой типа "все или ничего".

4. **Временная динамика**: Сознательные аттракторы демонстрируют характерную временную динамику с латентностью ~300 мс и длительностью ~500 мс.

**Конкуренция за сознание**

Соревнование между различными аттракторами определяет содержание сознания (Baars, 2005):

1. **Бинокулярная конкуренция**: Конкуренция между аттракторами левого и правого глаза демонстрирует механизмы сознательного отбора.

2. **Аттенциональная конкуренция**: Ограниченная пропускная способность сознания требует селекции между конкурирующими аттракторами.

3. **Эмоциональная модуляция**: Эмоциональная значимость может изменять стабильность и доступность различных аттракторов сознания.

4. **Топ-даун контроль**: Префронтальные системы могут усиливать специфические аттракторы через механизмы внимания и рабочей памяти.

**Метастабильные переходы в сознании**

Гибкие переходы между различными состояниями сознания характеризуются метастабильной динамикой (Deco et al., 2011):

1. **Критическая динамика**: Мозг в состоянии покоя функционирует вблизи критической точки, обеспечивая оптимальную гибкость переходов.

2. **Временные масштабы**: Различные аспекты сознания характеризуются различными временными масштабами метастабильности.

3. **Пространственная организация**: Метастабильные переходы организованы иерархически от локальных микросостояний до глобальных макросостояний.

4. **Функциональная связность**: Динамическая функциональная связность отражает последовательность метастабильных переходов между различными аттракторными состояниями.

## Вычислительные свойства аттракторных сетей

### Ассоциативная память

Аттракторные сети представляют собой мощную парадигму для реализации ассоциативной памяти, где информация хранится в виде устойчивых состояний активности нейронных популяций. Эти системы демонстрируют замечательную способность к восстановлению полных паттернов информации по частичным или зашумленным входным данным, что делает их биологически правдоподобными моделями памяти.

#### Автоассоциативная память

Модель Хопфилда, предложенная в 1982 году, стала основополагающей для понимания принципов работы автоассоциативной памяти в нейронных сетях. В этой модели каждый запомненный паттерн соответствует отдельному аттрактору в фазовом пространстве системы, а процесс воспоминания реализуется как релаксация к ближайшему аттрактору.

**Правило Хебба и формирование синаптических весов**

Фундаментальным принципом обучения в аттракторных сетях является правило Хебба: "нейроны, которые активируются вместе, связываются вместе" (Hebb, 1949). Математически это выражается в формуле для синаптических весов:

**w_ij = (1/P) Σ(μ=1 to P) ξ_i^μ ξ_j^μ**

где w_ij - синаптический вес между нейронами i и j, P - количество запомненных паттернов, ξ_i^μ - активность нейрона i в паттерне μ. Эта формула показывает, что синаптические веса пропорциональны корреляции между активностями нейронов в запомненных паттернах.

**Емкость памяти и критическая загрузка**

Теоретический анализ показывает, что емкость памяти сети Хопфилда ограничена. Критическая работа Амита, Гутфрейнда и Сомполинского (Amit et al., 1985) установила, что максимальная емкость составляет приблизительно 0.14N паттернов для сети из N нейронов. При превышении этого порога происходит катастрофическое забывание - аттракторы становятся неустойчивыми и система теряет способность к корректному воспоминанию.

Критическая загрузка α = P/N ≈ 0.14 является фундаментальным ограничением, связанным с перекрытием бассейнов притяжения различных аттракторов. При высоких загрузках появляются спуриозные (ложные) аттракторы - смеси запомненных паттернов, которые не соответствуют реальным воспоминаниям.

**Завершение паттерна и коррекция ошибок**

Одним из наиболее важных свойств аттракторных сетей является способность к завершению паттерна - восстановлению полной информации по частичным данным. Этот процесс реализуется через динамику релаксации к ближайшему аттрактору. Качество завершения паттерна зависит от нескольких факторов:

1. **Степень повреждения входного паттерна**: Чем больше искажений, тем выше вероятность конвергенции к неправильному аттрактору.

2. **Расстояние между аттракторами**: Ортогональные паттерны легче различаются, чем коррелированные.

3. **Размер бассейна притяжения**: Более глубокие аттракторы имеют большие бассейны притяжения.

Процесс коррекции ошибок в аттракторных сетях может быть описан как минимизация функции энергии (функции Ляпунова):

**E = -(1/2) Σ_i Σ_j w_ij s_i s_j + Σ_i θ_i s_i**

где s_i - состояние нейрона i, θ_i - порог активации. Система всегда эволюционирует в направлении уменьшения энергии, что гарантирует сходимость к локальному минимуму.

#### Гетероассоциативная память

Гетероассоциативная память позволяет связывать различные типы паттернов, что расширяет функциональные возможности аттракторных сетей. В отличие от автоассоциативной памяти, где входной и выходной паттерны принадлежат одному пространству, гетероассоциативная память может связывать паттерны из разных модальностей.

**Сети Хопфилда-Танка**

Расширенная модель Хопфилда-Танка (Hopfield & Tank, 1986) демонстрирует возможность связывания различных типов паттернов. Архитектура включает два слоя нейронов: входной слой A и выходной слой B, связанные весами w_ij^(AB). Обучение происходит по правилу:

**w_ij^(AB) = (1/P) Σ(μ=1 to P) ξ_i^μ(A) ξ_j^μ(B)**

где ξ_i^μ(A) и ξ_j^μ(B) - активности нейронов в соответствующих слоях для паттерна μ.

**Двунаправленная ассоциативная память**

Модель двунаправленной ассоциативной памяти (BAM), предложенная Коско (Kosko, 1988), реализует взаимное восстановление связанных паттернов. Ключевая особенность BAM - способность к двунаправленному поиску: паттерн A может активировать связанный паттерн B, и наоборот.

Математическая формулировка BAM основана на корреляционной матрице:

**W = Σ(μ=1 to P) A^μ (B^μ)^T**

где A^μ и B^μ - векторы ассоциированных паттернов. Система демонстрирует устойчивость к шуму и способность к обобщению, что делает её привлекательной для практических приложений.

### Оптимизация и принятие решений

Аттракторные сети представляют собой естественную вычислительную архитектуру для решения оптимизационных задач и моделирования процессов принятия решений. Эти системы могут находить оптимальные или близкие к оптимальным решения для широкого класса комбинаторных задач.

#### Аналоговые вычисления

Принципиальное преимущество аттракторных сетей в решении оптимизационных задач заключается в их способности к параллельным аналоговым вычислениям. Вместо последовательного перебора вариантов система одновременно исследует пространство решений, сходясь к локальному оптимуму.

**Задача коммивояжера**

Классическая демонстрация оптимизационных возможностей аттракторных сетей - решение задачи коммивояжера (Hopfield & Tank, 1985). Задача формулируется как поиск кратчайшего пути, проходящего через все города ровно один раз.

Для N городов создается сеть из N×N нейронов, где нейрон x_i,j представляет решение "город i посещается на позиции j в маршруте". Функция энергии включает несколько компонентов:

**E = (A/2) Σ_i Σ_j Σ_k≠j x_i,j x_i,k + (B/2) Σ_j Σ_i Σ_k≠i x_i,j x_k,j + (C/2) (Σ_i Σ_j x_i,j - N)^2 + (D/2) Σ_i Σ_j d_i,j x_i,j (x_i,j+1 + x_i,j-1)**

где первые три слагаемых представляют ограничения (каждый город посещается один раз, каждая позиция занята одним городом, общее число ходов равно N), а последний слагаемый минимизирует общую длину пути.

**Задача удовлетворения ограничений**

Аттракторные сети эффективно решают задачи удовлетворения ограничений (CSP), где необходимо найти значения переменных, удовлетворяющие заданному набору условий (Tank & Hopfield, 1986). Каждое ограничение представляется как вклад в функцию энергии, и система эволюционирует к состоянию, минимизирующему нарушения ограничений.

Общая формулировка CSP в аттракторных сетях:

**E = Σ_c α_c E_c(x)**

где E_c(x) - функция штрафа за нарушение ограничения c, α_c - весовой коэффициент, отражающий важность ограничения.

**Линейное программирование**

Работы Кеннеди и Чуа (Kennedy & Chua, 1988) показали возможность решения задач линейного программирования с помощью аттракторных сетей. Стандартная задача линейного программирования:

**min c^T x**   
**subject to: Ax ≤ b, x ≥ 0**

может быть преобразована в задачу минимизации энергии нейронной сети с соответствующими ограничениями.

#### Аттракторные модели принятия решений

Процессы принятия решений в биологических системах часто моделируются как конкуренция между различными аттракторами, соответствующими альтернативным выборам. Эти модели объясняют как нейронные механизмы принятия решений, так и поведенческие данные.

**Модель drift-diffusion**

Модель drift-diffusion (Ratcliff & McKoon, 2008) представляет принятие решения как процесс аккумуляции доказательств до достижения порога. Математически это описывается стохастическим дифференциальным уравнением:

**dx = μ dt + σ dW**

где x - накопленные доказательства, μ - скорость дрейфа (качество доказательств), σ - уровень шума, W - винеровский процесс.

В аттракторной интерпретации каждый выбор соответствует аттрактору в фазовом пространстве, а процесс принятия решения - траектории, начинающейся из нейтрального состояния и заканчивающейся в одном из аттракторов.

**Модели соревнования**

Модель соревнующих аккумуляторов (Usher & McClelland, 2001) рассматривает принятие решений как конкуренцию между различными альтернативами. Каждая альтернатива представлена аккумулятором, который интегрирует доказательства в свою пользу:

**dx_i/dt = I_i - k x_i - β Σ_j≠i x_j + η_i(t)**

где x_i - активность аккумулятора для альтернативы i, I_i - входная информация, k - коэффициент утечки, β - коэффициент взаимного торможения, η_i(t) - шум.

**Байесовские модели**

Байесовские модели принятия решений (Ma et al., 2006) рассматривают аттракторы как состояния, соответствующие оптимальным решениям с точки зрения теории вероятностей. Нейронная активность представляет вероятностные распределения, а принятие решения - процесс байесовского вывода.

Популяционное кодирование позволяет представить апостериорные распределения через активность нейронных популяций. Аттракторная динамика реализует вычисление оптимальных решений путем максимизации апостериорной вероятности.

### Обучение и адаптация

Способность аттракторных сетей к обучению и адаптации является ключевой для их функционирования в изменяющихся условиях. Эти процессы происходят на различных временных масштабах и включают как синаптические, так и структурные изменения.

#### Синаптическая пластичность

Синаптическая пластичность представляет собой основной механизм обучения в аттракторных сетях, позволяющий системе модифицировать свою динамику в ответ на опыт.

**Правило Хебба и его расширения**

Классическое правило Хебба (Hebb, 1949) утверждает, что синаптические связи усиливаются между нейронами, активность которых коррелирует во времени. Современные исследования значительно расширили понимание этого принципа:

Математическая формулировка правила Хебба:

**Δw_ij = η r_i r_j**

где Δw_ij - изменение синаптического веса, η - скорость обучения, r_i и r_j - активности пре- и постсинаптических нейронов.

Расширенное правило BCM (Bienenstock-Cooper-Munro) включает нелинейную зависимость от постсинаптической активности:

**Δw_ij = η r_i r_j (r_j - θ_j)**

где θ_j - скользящий порог, зависящий от истории активности нейрона j.

**Spike-timing dependent plasticity (STDP)**

Исследования Би и Пу (Bi & Poo, 2001) выявили критическую роль временной последовательности спайков в синаптической пластичности. STDP показывает, что точное время спайков определяет направление и величину пластических изменений:

```
Δw = {
  A_+ exp(-Δt/τ_+) if Δt > 0 (потенциация)
  -A_- exp(Δt/τ_-) if Δt < 0 (депрессия)
}
```

где Δt - разность времен постсинаптического и пресинаптического спайков, A_± и τ_± - параметры амплитуды и времени.

STDP имеет фундаментальное значение для формирования временных последовательностей в аттракторных сетях, позволяя системе изучать каузальные связи между событиями.

**Гомеостатическая пластичность**

Гомеостатическая пластичность (Turrigiano & Nelson, 2004) представляет собой компенсаторный механизм, поддерживающий стабильность нейронной активности. Этот тип пластичности критичен для предотвращения патологических состояний в аттракторных сетях:

1. **Синаптическое масштабирование**: Мультипликативные изменения всех синаптических весов для поддержания целевого уровня активности.

2. **Внутренняя возбудимость**: Изменения в пороге активации и других внутренних параметрах нейрона.

3. **Метапластичность**: Модификация правил пластичности в зависимости от истории активности.

Математическая модель гомеостатической пластичности:

**dw_ij/dt = η_h (r_target - r_j) w_ij**

где r_target - целевой уровень активности, r_j - текущий уровень активности, η_h - скорость гомеостатической адаптации.

#### Структурная пластичность

Структурная пластичность включает физические изменения в архитектуре нейронных сетей, что может радикально изменить аттракторную динамику системы.

**Рост аксонов и формирование новых связей**

Исследования Гудхилла (Goodhill, 2007) показывают, что рост аксонов следует принципам оптимизации, направленным на формирование эффективных нейронных карт. Процесс роста аксонов может быть описан как градиентный спуск в пространстве молекулярных сигналов:

**dx/dt = -∇_x E(x,t)**

где x - позиция конуса роста, E(x,t) - функция энергии, определяемая концентрацией направляющих молекул.

В контексте аттракторных сетей новые связи могут:

- Создавать новые аттракторы
- Модифицировать существующие бассейны притяжения  
- Изменять устойчивость аттракторов

**Синаптогенез и элиминация синапсов**

Работы Холтмаата и Свободы (Holtmaat & Svoboda, 2009) выявили высокую динамичность синаптических контактов в зрелом мозге. Процессы синаптогенеза и элиминации синапсов постоянно реконструируют архитектуру нейронных сетей:

1. **Спонтанный синаптогенез**: Случайное образование новых синапсов со скоростью ~1-2% в день.

2. **Активность-зависимый синаптогенез**: Стабилизация синапсов через коррелированную активность.

3. **Конкурентная элиминация**: Удаление слабых синапсов в пользу сильных.

Влияние на аттракторную динамику:

- Изменение связности может создавать новые аттракторы
- Элиминация синапсов может разрушать существующие аттракторы
- Баланс между синаптогенезом и элиминацией определяет стабильность системы

**Нейрогенез и интеграция новых нейронов**

Исследования Аймона, Уайлса и Гейджа (Aimone et al., 2009) показывают, что нейрогенез в гиппокампе взрослых влияет на вычислительные свойства нейронных сетей. Новые нейроны обладают особыми свойствами:

1. **Повышенная возбудимость**: Молодые нейроны имеют низкий порог активации.

2. **Повышенная пластичность**: Усиленные способности к обучению в критический период.

3. **Временная интеграция**: Способность связывать события, разделенные во времени.

Влияние нейрогенеза на аттракторную динамику:

- Новые нейроны могут разделять похожие аттракторы (pattern separation)
- Увеличение различимости между воспоминаниями
- Потенциальная дестабилизация старых аттракторов

**Критические периоды и метапластичность**

Структурная пластичность проявляет выраженную зависимость от возраста и опыта. Критические периоды развития характеризуются повышенной пластичностью, что позволяет формировать фундаментальные аттракторные структуры.

Метапластичность - пластичность самих механизмов пластичности - обеспечивает адаптивную регуляцию обучения в зависимости от контекста и истории активности.

Взаимодействие между различными типами пластичности создает сложную многоуровневую систему адаптации, позволяющую аттракторным сетям эффективно функционировать в изменяющихся условиях, сохраняя при этом стабильность критически важных функций.

## Экспериментальные методы исследования аттракторов

### Электрофизиологические методы

#### Внутриклеточная регистрация

Прямая регистрация мембранного потенциала позволяет исследовать аттракторную динамику на уровне отдельных нейронов с высоким временным разрешением и точностью:

**Patch-clamp техника** представляет собой наиболее точный метод исследования ионных токов и мембранного потенциала (Sakmann & Neher, 1995). Метод позволяет изучать:

- Динамику ионных каналов, лежащих в основе аттракторных состояний
- Синаптические токи, формирующие входные сигналы для аттракторов
- Внутренние свойства нейронов, определяющие их участие в аттракторной динамике
- Механизмы бистабильности и мультистабильности на клеточном уровне

Различные конфигурации patch-clamp предоставляют уникальные возможности: cell-attached режим позволяет исследовать активность отдельных каналов без нарушения внутриклеточной среды, whole-cell режим обеспечивает контроль над составом цитоплазмы и возможность инъекции веществ, а inside-out и outside-out конфигурации позволяют изучать каналы в изолированных мембранных фрагментах.

**Sharp electrode методика** обеспечивает длительную регистрацию внутриклеточной активности с минимальным повреждением клетки (Kandel et al., 2000). Этот метод особенно ценен для:

- Исследования медленных аттракторных переходов
- Изучения влияния нейромодуляторов на аттракторную динамику
- Регистрации от крупных нейронов in vivo
- Анализа взаимодействия между различными временными масштабами

**Whole-cell recording** предоставляет возможность детального исследования синаптических взаимодействий (Edwards et al., 1989):

- Анализ возбуждающих и тормозящих постсинаптических токов
- Изучение синаптической пластичности, модифицирующей аттракторы
- Исследование сетевых взаимодействий на уровне отдельных синапсов
- Контроль внутриклеточной среды для изучения молекулярных механизмов

#### Внеклеточная регистрация

Регистрация активности нейронных популяций позволяет исследовать коллективную динамику аттракторов:

**Микроэлектродные матрицы** обеспечивают одновременную регистрацию от сотен нейронов (Nicolelis et al., 2003):

- Анализ популяционной динамики аттракторов
- Исследование синхронизации и десинхронизации нейронных ансамблей
- Изучение пространственно-временных паттернов активности
- Декодирование информации из аттракторных состояний
- Анализ функциональной связности между нейронами

Современные высокоплотностные электроды позволяют регистрировать активность тысяч нейронов одновременно, что открывает новые возможности для изучения крупномасштабной аттракторной динамики.

**Локальные полевые потенциалы (LFP)** отражают сетевую активность и позволяют исследовать аттракторную динамику на уровне нейронных популяций (Buzsáki et al., 2012):

- Анализ ритмических аттракторов через спектральный анализ
- Исследование кросс-частотных взаимодействий
- Изучение пространственной когерентности аттракторных состояний
- Анализ фазовых взаимоотношений между различными частотными компонентами

**Многоканальная регистрация** позволяет одновременно исследовать активность нейронов и LFP, обеспечивая многомасштабный анализ аттракторной динамики от отдельных клеток до сетевых осцилляций.

### Оптические методы

#### Двухфотонная микроскопия

Исследование динамики кальция в живых нейронах с субклеточным разрешением:

**Кальциевые индикаторы** служат флуоресцентными маркерами нейронной активности (Grienberger & Konnerth, 2012):

- Синтетические красители (Fluo-4, Fura-2, Oregon Green BAPTA) обеспечивают высокую чувствительность
- Возможность исследования активности дендритов и аксонов
- Анализ пространственного распределения кальциевых сигналов
- Изучение медленных кальциевых волн и их роли в аттракторной динамике

**Генетически кодируемые индикаторы** представляют новое поколение кальциевых сенсоров (Chen et al., 2013):

- GCaMP семейство: от GCaMP3 до современных jGCaMP8 с улучшенными характеристиками
- Возможность экспрессии в специфических типах клеток
- Долговременные эксперименты без повторной загрузки красителя
- Комбинирование с оптогенетическими инструментами

**Временная динамика** исследования быстрых изменений активности требует специальных подходов (Helmchen & Denk, 2005):

- Высокоскоростная съемка для анализа быстрых аттракторных переходов
- Линейное сканирование для исследования распространения активности
- Случайная выборка точек для увеличения временного разрешения
- Анализ кинетики кальциевых транзиентов

#### Оптогенетика

Контроль нейронной активности светом открывает уникальные возможности для изучения каузальных механизмов аттракторной динамики:

**Каналродопсин** обеспечивает оптическую активацию нейронов (Boyden et al., 2005):

- Прецизионный контроль времени активации нейронов
- Возможность активации специфических нейронных популяций
- Исследование необходимых и достаточных условий для формирования аттракторов
- Анализ влияния внешних возмущений на аттракторную динамику

**Галородопсин и другие ингибиторные опсины** позволяют подавлять нейронную активность (Han & Boyden, 2007):

- Селективное подавление активности нейронных популяций
- Исследование роли торможения в аттракторной динамике
- Анализ эффектов удаления нейронов из аттракторных сетей
- Изучение механизмов переключения между аттракторами

**Опсины третьего поколения** предоставляют улучшенные инструменты (Klapoetke et al., 2014):

- Повышенная светочувствительность и специфичность
- Возможность независимого контроля различных нейронных популяций
- Комбинирование активации и подавления в одном эксперименте
- Минимальная фототоксичность для длительных экспериментов

#### Функциональная магнитно-резонансная томография (фМРТ)

Хотя фМРТ имеет ограниченное временное разрешение, она предоставляет уникальные возможности для изучения аттракторной динамики на уровне целого мозга:

- Анализ метастабильных состояний крупномасштабных сетей
- Исследование переходов между различными функциональными состояниями
- Изучение влияния фармакологических воздействий на аттракторную динамику
- Анализ индивидуальных различий в аттракторных свойствах

### Вычислительные методы

#### Анализ временных рядов

Методы анализа нейронных временных рядов для характеристики аттракторной динамики:

**Реконструкция фазового пространства** позволяет восстановить аттракторную структуру из одномерных временных рядов:

- Метод задержек для построения многомерного представления
- Определение оптимальной размерности вложения и времени задержки
- Анализ топологических свойств восстановленных аттракторов
- Исследование инвариантных мер на аттракторах

**Фазовые портреты** обеспечивают визуализацию аттракторной динамики:

- Двумерные и трехмерные проекции многомерных аттракторов
- Анализ траекторий в фазовом пространстве
- Идентификация особых точек (седла, узлы, фокусы)
- Визуализация бассейнов притяжения

**Показатели Ляпунова** характеризуют устойчивость и предсказуемость аттракторов (Wolf et al., 1985):

- Расчет максимального показателя Ляпунова для определения хаотичности
- Анализ спектра показателей Ляпунова
- Оценка размерности аттракторов по показателям Ляпунова
- Исследование бифуркаций через изменение показателей Ляпунова

**Корреляционная размерность** измеряет сложность аттракторов (Grassberger & Procaccia, 1983):

- Алгоритм Grassberger-Procaccia для расчета корреляционной размерности
- Анализ скейлинговых свойств аттракторов
- Различение детерминированного хаоса от случайного шума
- Сравнение размерностей различных аттракторов

#### Спектральный анализ

Анализ частотных характеристик аттракторной динамики:

- Преобразование Фурье для анализа периодических аттракторов
- Вейвлет-анализ для исследования нестационарных процессов
- Анализ кросс-частотных взаимодействий
- Исследование фазовых взаимоотношений между различными частотными компонентами

#### Теория сетей

Анализ топологических свойств нейронных сетей для понимания структурных основ аттракторной динамики:

**Граф-теоретический анализ** исследует структуру связности (Bullmore & Sporns, 2009):

- Построение графов функциональной и структурной связности
- Анализ метрик малого мира (длина пути, коэффициент кластеризации)
- Исследование эффективности сетей и их устойчивости
- Анализ богатых клубов и их роли в аттракторной динамике

**Модульность** выявляет функциональные модули в нейронных сетях (Newman, 2006):

- Алгоритмы детекции сообществ в нейронных сетях
- Анализ иерархической модульной организации
- Исследование динамики модульности во времени
- Связь между модульной структурой и аттракторными свойствами

**Центральность** идентифицирует важные узлы сети (Freeman, 1977):

- Различные меры центральности (betweenness, closeness, eigenvector)
- Анализ хабов и их роли в аттракторной динамике
- Исследование устойчивости сетей к удалению узлов
- Связь между топологической и функциональной важностью узлов

#### Машинное обучение в анализе аттракторов

Современные методы машинного обучения открывают новые возможности:

- Использование нейронных сетей для классификации аттракторных состояний
- Методы снижения размерности для визуализации высокомерных аттракторов
- Алгоритмы кластеризации для автоматической идентификации аттракторов
- Методы обучения с подкреплением для моделирования аттракторной динамики

### Интегративные подходы

#### Мультимодальная регистрация

Комбинирование различных методов для получения комплексной картины аттракторной динамики:

- Одновременная электрофизиологическая регистрация и оптическая стимуляция
- Комбинирование внутриклеточной и внеклеточной регистрации
- Интеграция данных фМРТ и электрофизиологии
- Сочетание структурных и функциональных методов исследования

#### Вычислительное моделирование

Использование математических моделей для интерпретации экспериментальных данных:

- Построение реалистичных моделей нейронных сетей
- Симуляция аттракторной динамики для проверки гипотез
- Предсказание поведения системы при различных условиях
- Оптимизация экспериментальных протоколов на основе модельных предсказаний

Интеграция экспериментальных методов с вычислительными подходами позволяет получить глубокое понимание принципов аттракторной динамики в нейронных системах, от молекулярного до системного уровня.

## Клинические аспекты

### Эпилепсия

Эпилепсия представляет собой классический пример патологической аттракторной динамики, где нормальные физиологические аттракторы замещаются патологическими высокосинхронными состояниями (Lytton, 2008). Эпилептические припадки можно рассматривать как переходы к патологическим аттракторам с чрезмерной синхронизацией нейронной активности.

#### Механизмы эпилептогенеза

##### Нарушение баланса возбуждения-торможения

Фундаментальным механизмом эпилептогенеза является дисбаланс между возбуждающими и тормозными процессами в нейронной сети. Снижение GABAergic торможения или усиление глутаматергического возбуждения создает условия для формирования гиперсинхронных аттракторов (Staley, 2015).

На молекулярном уровне это проявляется через:

- **Снижение функции GABA-A рецепторов**: Уменьшение плотности или измененная субъединичная композиция рецепторов приводит к ослаблению тормозного контроля
- **Повышение активности NMDA и AMPA рецепторов**: Увеличение амплитуды возбуждающих постсинаптических потенциалов способствует формированию патологических аттракторов
- **Нарушение метаботропной передачи**: Дисфункция mGluR и GABA-B рецепторов влияет на долгосрочную стабильность аттракторных состояний

##### Патологическая пластичность

Аберрантный спрутинг мшистых волокон в гиппокампе создает новые рекуррентные связи, формирующие эпилептогенные аттракторы (Sutula et al., 1989). Этот процесс включает:

**Структурные изменения**:

- Образование новых синаптических связей между гранулярными клетками зубчатой извилины
- Усиление рекуррентных возбуждающих связей в области CA3 гиппокампа
- Потеря интернейронов, особенно соматостатин-позитивных клеток

**Функциональные последствия**:

- Формирование положительных обратных связей, создающих условия для самоподдерживающейся активности
- Снижение порога для генерации популяционных спайков
- Создание множественных путей для распространения патологической активности

##### Ионные дисбалансы

Нарушения в работе ионных каналов могут дестабилизировать нормальные аттракторы и способствовать возникновению патологических состояний (Poolos et al., 2002).

**Каналы натрия**:

- Мутации в SCN1A, SCN2A, SCN8A генах приводят к изменению инактивации натриевых каналов
- Персистентные натриевые токи способствуют гиперактивности нейронов
- Нарушение частотно-зависимой инактивации облегчает высокочастотную активность

**Каналы калия**:

- Дисфункция KCNQ каналов снижает M-ток, увеличивая возбудимость
- Нарушение работы каналов A-типа влияет на временную динамику возбуждения
- Изменения в BK каналах нарушают кальций-зависимую адаптацию

**Каналы кальция**:

- Мутации в CACNA1A влияют на пресинаптическое высвобождение медиатора
- Нарушение T-типа кальциевых каналов связано с абсансными эпилепсиями
- Дисфункция L-типа каналов влияет на долгосрочную пластичность

#### Типы эпилептических аттракторов

##### Интериктальные спайки

Кратковременные патологические аттракторы между припадками (de Curtis & Avanzini, 2001) характеризуются:

**Временная динамика**:

- Длительность 50-200 мс
- Частота встречаемости варьирует от единичных до десятков в минуту
- Стереотипная морфология с быстрым нарастанием и медленным спадом

**Пространственная организация**:

- Локализация в эпилептогенном фокусе
- Возможность распространения на смежные области
- Формирование фиксированных паттернов распространения

**Механизмы генерации**:

- Синхронизация через gap-junctions между пирамидными нейронами
- Вовлечение таламо-кортикальных петель при генерализованных формах
- Роль астроцитов в поддержании патологической синхронизации

##### Иктальные разряды

Устойчивые патологические аттракторы во время припадка (Jiruska et al., 2013) проявляются как:

**Фазы развития припадка**:

- **Инициация**: Локальная синхронизация в эпилептогенном фокусе
- **Пропагация**: Распространение активности по анатомическим связям
- **Терминация**: Активация тормозных механизмов и истощение метаболических ресурсов

**Частотная структура**:

- Быстрая активность (>13 Гц) в начальной фазе
- Спайк-волновые комплексы в развернутой фазе
- Медленные волны в фазе завершения

**Сетевые изменения**:

- Рекрутирование отдаленных структур через полисинаптические связи
- Нарушение нормальной сегрегации функциональных сетей
- Временная реорганизация связности между регионами

##### Статусные состояния

Чрезвычайно устойчивые патологические аттракторы (Trinka et al., 2015) представляют собой:

**Определение и классификация**:

- Непрерывная эпилептическая активность >5 минут
- Отсутствие восстановления сознания между припадками
- Подразделение на конвульсивный и неконвульсивный статус

**Патофизиологические механизмы**:

- Отказ естественных механизмов терминации припадка
- Истощение тормозных систем из-за интернализации GABA-A рецепторов
- Метаболические нарушения, поддерживающие патологическую активность

**Молекулярные изменения**:

- Снижение поверхностной экспрессии GABA-A рецепторов
- Увеличение экспрессии NMDA рецепторов
- Активация провоспалительных каскадов

#### Терапевтические подходы с позиции аттракторной динамики

##### Фармакологическое воздействие

- **Противоэпилептические препараты**: Стабилизация нормальных аттракторов через модуляцию ионных каналов и синаптической передачи
- **Комбинированная терапия**: Воздействие на множественные механизмы для предотвращения формирования патологических аттракторов
- **Нейропротекция**: Предотвращение структурных изменений, способствующих эпилептогенезу

##### Нейромодуляция

- **Глубокая стимуляция мозга**: Периодическое нарушение патологических аттракторов через ритмическую стимуляцию
- **Блуждающий нерв**: Модуляция возбудимости через неспецифические восходящие влияния
- **Responsive neurostimulation**: Адаптивная стимуляция на основе детекции патологических паттернов

### Шизофрения

Шизофрения характеризуется нарушениями в метастабильной динамике мозговых сетей, что приводит к нарушению когнитивных функций и перцепции (Deco & Kringelbach, 2014). Патология затрагивает фундаментальные принципы организации аттракторной динамики на множественных уровнях.

#### Аттракторные нарушения при шизофрении

##### Нарушение рабочей памяти

Дефицит в поддержании устойчивых аттракторов в префронтальной коре (Brunel & Wang, 2001) проявляется через:

**Снижение стабильности аттракторов**:

- Уменьшение времени жизни устойчивых состояний активности
- Повышенная чувствительность к отвлекающим стимулам
- Нарушение градиента активности в рабочей памяти

**Механизмы дестабилизации**:

- Ослабление рекуррентных возбуждающих связей между пирамидными нейронами
- Нарушение баланса NMDA/AMPA рецепторов
- Изменения в GABAergic интернейронах, особенно парвальбумин-позитивных

**Функциональные последствия**:

- Снижение емкости рабочей памяти
- Нарушение манипуляций с информацией в рабочей памяти
- Дефицит в задачах на когнитивную гибкость

##### Галлюцинации

Спонтанная активация перцептивных аттракторов в отсутствие внешних стимулов (Corlett et al., 2019) объясняется:

**Модель "сильных приоров"**:

- Чрезмерное влияние предшествующих ожиданий на восприятие
- Смещение баланса между восходящими сенсорными сигналами и нисходящими предикциями
- Формирование устойчивых перцептивных аттракторов при недостаточной сенсорной информации

**Нейронные механизмы**:

- Гиперактивация височных и теменных областей
- Нарушение тормозного контроля сенсорных областей
- Изменения в дофаминергической модуляции перцептивных сетей

**Типы галлюцинаций**:

- **Слуховые**: Активация слуховых аттракторов в височной коре
- **Зрительные**: Формирование зрительных образов в затылочной коре
- **Соматические**: Нарушения в соматосенсорных аттракторах

##### Нарушения связности

Изменения в структуре бассейнов притяжения между различными мозговыми регионами (Friston & Frith, 1995) включают:

**Функциональная связность**:

- Снижение корреляций между префронтальными и височными областями
- Нарушение антикорреляций между различными функциональными сетями
- Изменения в динамике переходов между состояниями сети

**Структурная связность**:

- Демиелинизация белого вещества
- Снижение фракционной анизотропии в основных трактах
- Нарушения в развитии аксональных проекций

**Эффективная связность**:

- Ослабление нисходящих кортикальных влияний
- Нарушение обратных связей между сенсорными и ассоциативными областями
- Изменения в каузальных взаимодействиях между регионами

#### Дофаминовая гипотеза

Дисбаланс дофаминовой системы влияет на аттракторную динамику через модуляцию:

##### Стабильности аттракторов рабочей памяти

Дофаминергическая модуляция префронтальной коры (Durstewitz & Seamans, 2008) осуществляется через:

**D1 рецепторы**:

- Усиление рекуррентных возбуждающих связей
- Повышение стабильности аттракторов "ON" состояний
- Улучшение поддержания информации в рабочей памяти

**D2 рецепторы**:

- Снижение фоновой активности и шума
- Повышение селективности нейронных ответов
- Улучшение переключения между различными рабочими состояниями

**Инвертированная U-образная кривая**:

- Оптимальный уровень дофамина необходим для нормальной аттракторной динамики
- Как недостаток, так и избыток дофамина нарушают функцию рабочей памяти

##### Переходов между метастабильными состояниями

Дофаминергическая модуляция влияет на гибкость аттракторной динамики (Rolls et al., 2008):

**Когнитивная гибкость**:

- Облегчение переходов между различными аттракторными состояниями
- Модуляция барьеров между различными бассейнами притяжения
- Влияние на временную динамику метастабильных состояний

**Обучение и адаптация**:

- Сигнал ошибки предсказания для обновления аттракторной структуры
- Модуляция синаптической пластичности
- Влияние на формирование новых аттракторов

##### Обучения и формирования новых аттракторов

Дофаминергическая система (Schultz, 2002) участвует в:

**Обучении с подкреплением**:

- Кодирование ошибки предсказания награды
- Модуляция формирования ассоциативных связей
- Влияние на стабильность выученных паттернов

**Мотивационные аспекты**:

- Модуляция значимости стимулов
- Влияние на выбор между различными аттракторными состояниями
- Связь с системами внимания и принятия решений

#### Нейротрансмиттерные системы при шизофрении

##### GABA-ергическая дисфункция

- Снижение экспрессии GAD67 и парвальбумин-позитивных интернейронов
- Нарушение гамма-осцилляций и синхронизации
- Дефицит тормозного контроля аттракторной динамики

##### Глутаматергическая гипофункция

- Гипофункция NMDA рецепторов на интернейронах
- Нарушение баланса возбуждения-торможения
- Дефицит в долгосрочной потенциации и формировании аттракторов

##### Нейромодуляторные системы

- Нарушения в серотонинергической системе
- Дисбаланс ацетилхолинергической модуляции
- Изменения в норадренергической системе

### Болезнь Альцгеймера

Нейродегенеративные процессы при болезни Альцгеймера приводят к прогрессивному разрушению аттракторных сетей памяти (Palop & Mucke, 2010). Патология развивается стадийно, затрагивая различные аспекты аттракторной организации.

#### Стадии деградации аттракторов

##### Ранняя стадия

Нарушение метастабильности, увеличение шума в аттракторных сетях (Busche et al., 2008) проявляется через:

**Синаптическая дисфункция**:
- Начальные нарушения в синаптической передаче до потери нейронов
- Изменения в кратковременной синаптической пластичности
- Снижение надежности синаптической передачи

**Гиперактивность нейронов**:
- Парадоксальная гиперактивность в присутствии амилоидных бляшек
- Нарушение гомеостатических механизмов возбудимости
- Формирование патологических аттракторов высокой активности

**Когнитивные проявления**:
- Мягкие когнитивные нарушения
- Трудности с формированием новых воспоминаний
- Сохранность процедурной памяти

##### Промежуточная стадия

Слияние бассейнов притяжения, снижение селективности аттракторов (Rolls, 2012) характеризуется:

**Потеря дискриминативности**:

- Снижение способности различать похожие паттерны
- Уменьшение специфичности нейронных ответов
- Нарушение паттерн-разделения в гиппокампе

**Структурные изменения**:

- Потеря дендритических шипиков
- Сокращение дендритного дерева
- Начальная потеря нейронов в уязвимых регионах

**Функциональные последствия**:

- Нарушение эпизодической памяти
- Затруднения в пространственной навигации
- Снижение исполнительных функций

##### Поздняя стадия

Полное разрушение аттракторных сетей, потеря памяти (Buckner et al., 2005) включает:

**Массивная потеря нейронов**:

- Атрофия гиппокампа и энторинальной коры
- Распространение патологии на неокортикальные области
- Нарушение основных анатомических связей

**Функциональная декомпенсация**:

- Потеря способности к формированию устойчивых аттракторов
- Нарушение долгосрочной памяти
- Глобальное когнитивное снижение

#### Молекулярные механизмы

##### Амилоидная патология

Нарушение синаптической передачи и аттракторной динамики (Selkoe, 2002) происходит через:

**Олигомерные формы Aβ**:

- Наиболее токсичные для синаптической функции
- Нарушение долгосрочной потенциации
- Влияние на NMDA и AMPA рецепторы

**Воспалительные процессы**:

- Активация микроглии вокруг бляшек
- Высвобождение провоспалительных цитокинов
- Нарушение нейрон-глиальных взаимодействий

**Нарушение клиренса**:

- Дисфункция глимфатической системы
- Снижение активности протеаз, расщепляющих амилоид
- Нарушение транспорта через гематоэнцефалический барьер

##### Тау-патология

Разрушение внутриклеточных структур, необходимых для поддержания аттракторов (Iqbal et al., 2009):

**Гиперфосфорилирование тау**:

- Отделение тау от микротрубочек
- Нарушение аксонального транспорта
- Формирование нейрофибриллярных клубков

**Распространение патологии**:

- Трансмиссия тау-патологии между связанными нейронами
- Стадийное распространение согласно схеме Браака
- Корреляция с клиническими проявлениями

**Клеточные последствия**:

- Нарушение синаптической передачи
- Потеря дендритических шипиков
- Клеточная смерть

##### Нейровоспаление

Дополнительный фактор дестабилизации аттракторных сетей (Heneka et al., 2015):

**Активация микроглии**:

- Переход от гомеостатического к активированному состоянию
- Фагоцитоз синапсов и дендритных шипиков
- Высвобождение нейротоксичных факторов

**Астроцитарная реактивность**:

- Нарушение поддержки нейронов
- Изменения в метаболизме глутамата
- Нарушение гематоэнцефалического барьера

**Системные эффекты**:

- Связь с периферическим воспалением
- Влияние на нейрогенез
- Нарушение циркадных ритмов

#### Компенсаторные механизмы

##### Нейронная пластичность

- Формирование новых синаптических связей
- Усиление оставшихся связей
- Рекрутирование дополнительных мозговых областей

##### Когнитивный резерв

- Влияние образования и социальной активности
- Эффективность нейронных сетей
- Компенсаторные стратегии

### Депрессия

Депрессивные расстройства связаны с нарушениями в аттракторной динамике эмоциональных и когнитивных сетей (Mayberg, 2003). Патология затрагивает фундаментальные аспекты регуляции настроения и когнитивного контроля.

#### Аттракторные модели депрессии

##### Модель негативного аттрактора

Застревание в патологических негативных состояниях (Beck, 2008) объясняется:

**Когнитивные искажения**:

- Формирование устойчивых негативных схем мышления
- Селективное внимание к негативной информации
- Руминативные паттерны мышления как самоподдерживающиеся аттракторы

**Нейронные корреляты**:

- Гиперактивация субгенуальной передней поясной коры
- Нарушения в орбитофронтальной коре
- Изменения в системе награды

**Механизмы поддержания**:

- Положительная обратная связь между негативными мыслями и эмоциями
- Снижение когнитивной гибкости
- Нарушение способности к переключению внимания

##### Нарушение переходов

Снижение способности к переходам между эмоциональными состояниями (Gotlib & Joormann, 2010):

**Эмоциональная инертность**:

- Замедленное восстановление от негативных эмоций
- Снижение эмоциональной реактивности на позитивные стимулы
- Нарушение эмоциональной регуляции

**Когнитивная ригидность**:

- Трудности с когнитивным переключением
- Персеверации в решении задач
- Нарушение исполнительных функций

**Нейронные механизмы**:

- Дисфункция дорсолатеральной префронтальной коры
- Нарушения в передней поясной коре
- Изменения в таламо-кортикальных связях

##### Дисбаланс сетей

Гиперактивация сети негативной валентности, гипоактивация сети позитивной валентности (Drevets et al., 2008):

**Базовая сеть (Default Mode Network)**:
- Гиперактивация в покое
- Усиление руминативных процессов
- Нарушение переключения на внешние задачи

**Сеть исполнительного контроля**:
- Снижение активности
- Нарушение когнитивного контроля
- Дефицит в планировании и принятии решений

**Салиентная сеть**:
- Нарушение переключения между сетями
- Изменения в обработке значимости стимулов
- Дисфункция в системе внимания

#### Нейротрансмиттерные механизмы

##### Серотонинергическая система

- Снижение синтеза и высвобождения серотонина
- Нарушения в 5-HT рецепторах
- Влияние на аттракторы настроения и эмоций

##### Дофаминергическая система

- Дисфункция системы награды
- Снижение мотивации и ангедония
- Нарушение формирования позитивных аттракторов

##### Норадренергическая система

- Нарушение регуляции стресс-ответа
- Влияние на внимание и возбуждение
- Модуляция аттракторной динамики

#### Стресс и HPA-ось

##### Хронический стресс

- Дисрегуляция гипоталамо-гипофизарно-надпочечниковой системы
- Гиперкортизолемия и ее влияние на мозг
- Нарушение циркадных ритмов

##### Нейропластичность

- Атрофия гиппокампа
- Снижение нейрогенеза
- Нарушение синаптической пластичности

#### Терапевтические подходы

##### Фармакотерапия

- Антидепрессанты как модуляторы аттракторной динамики
- Восстановление нейромедиаторного баланса
- Влияние на нейропластичность

##### Психотерапия

- Когнитивно-поведенческая терапия как реструктуризация аттракторов
- Изменение дисфункциональных паттернов мышления
- Формирование новых адаптивных аттракторов

##### Нейромодуляция

- Транскраниальная магнитная стимуляция
- Глубокая стимуляция мозга
- Электросудорожная терапия

#### Биомаркеры и прогнозирование

##### Нейровизуализация

- Функциональная МРТ для оценки сетевой динамики
- Структурная МРТ для оценки атрофии
- ПЭТ для исследования метаболизма

##### Электрофизиология

- ЭЭГ-маркеры депрессии
- Вызванные потенциалы
- Анализ связности

##### Молекулярные маркеры

- Уровни нейротрофинов
- Маркеры воспаления
- Генетические полиморфизмы

## Применение в нейроинженерии

### Нейропротезы

Аттракторные принципы играют фундаментальную роль в создании эффективных интерфейсов мозг-компьютер (BMI), обеспечивая стабильное и точное декодирование нейронных сигналов для управления внешними устройствами. Понимание аттракторной динамики моторной коры позволило создать новое поколение нейропротезов с улучшенными характеристиками производительности и надежности.

#### Декодирование намерений

##### Моторные аттракторы

Современные исследования показывают, что моторная кора организована в виде аттракторных состояний, которые соответствуют различным двигательным намерениям и планам (Churchland et al., 2012). Эти аттракторы формируются на уровне нейронных популяций и обеспечивают стабильное представление моторных команд.

**Принципы декодирования:**

1. **Многомерные аттракторы**: Моторные намерения кодируются как траектории в многомерном пространстве популяционной активности. Каждое планируемое движение соответствует определенному аттрактору в этом пространстве.

2. **Подготовительная активность**: Во время планирования движения нейронная активность эволюционирует к соответствующему аттрактору еще до начала выполнения движения, что позволяет декодировать намерения заранее.

3. **Инвариантность к условиям**: Аттракторы демонстрируют относительную стабильность при изменении внешних условий (позы, нагрузки, скорости), что обеспечивает надежность декодирования.

**Практические преимущества:**

- Повышение точности декодирования на 20-40% по сравнению с традиционными методами
- Снижение влияния шума и артефактов
- Возможность декодирования сложных многосуставных движений

##### Адаптивные декодеры

Использование аттракторной динамики позволяет создавать адаптивные декодеры, которые автоматически настраиваются на изменения в нейронной активности пользователя (Sussillo et al., 2012). Рекуррентные нейронные сети (RNN) с аттракторными свойствами обеспечивают динамическую адаптацию к нестационарности нейронных сигналов.

**Архитектура адаптивных декодеров:**

1. **Рекуррентный слой**: Обеспечивает временную интеграцию и формирование аттракторных состояний
2. **Скрытые состояния**: Формируют внутренние представления моторных намерений
3. **Выходной слой**: Преобразует аттракторные состояния в команды управления

**Механизмы адаптации:**

- Онлайн обучение на основе обратной связи от пользователя
- Самокалибровка на основе статистики декодированных сигналов
- Компенсация долговременных изменений в записи нейронных сигналов

**Клинические результаты:**

- Стабильная работа декодеров в течение месяцев без перекалибровки
- Улучшение производительности на 60-80% при длительном использовании
- Сокращение времени обучения пользователей с недель до дней

##### Предсказание траекторий

Аттракторные модели позволяют не только декодировать текущие намерения, но и предсказывать будущие состояния моторной системы (Pandarinath et al., 2018). Это критически важно для создания плавных и естественных движений протезов.

**Методы предсказания:**

1. **Sequential Auto-Encoders**: Нейронные сети, которые изучают аттракторную динамику и экстраполируют ее в будущее
2. **Латентные переменные**: Выделение низкоразмерных аттракторных состояний из высокоразмерной нейронной активности
3. **Байесовские фильтры**: Вероятностные методы оценки будущих состояний с учетом неопределенности

**Практические применения:**

- Упреждающее управление протезами для компенсации задержек
- Сглаживание траекторий движения
- Предсказание намерений при неполной информации

#### Стимуляция мозга

Аттракторные принципы находят широкое применение в терапевтической стимуляции мозга, где целью является модуляция патологических аттракторных состояний и восстановление нормальной нейронной динамики.

##### Глубокая стимуляция мозга (DBS)

Глубокая стимуляция мозга представляет собой один из наиболее успешных примеров применения аттракторных принципов в клинической практике (Kringelbach et al., 2007). При болезни Паркинсона патологические аттракторы в базальных ганглиях приводят к характерным моторным нарушениям.

**Механизмы действия DBS:**

1. **Разрушение патологических аттракторов**: Высокочастотная стимуляция нарушает патологические синхронные осцилляции в бета-диапазоне
2. **Стабилизация нормальных аттракторов**: Стимуляция способствует восстановлению физиологических паттернов активности
3. **Модуляция переходов**: Изменение вероятностей переходов между различными аттракторными состояниями

**Оптимизация параметров:**

- Частота стимуляции: обычно 100-180 Гц для разрушения патологических аттракторов
- Амплитуда: подбирается индивидуально для достижения терапевтического эффекта
- Форма импульса: влияет на селективность воздействия на различные типы нейронов

**Клинические результаты:**

- Улучшение моторных функций на 40-70% по шкале UPDRS
- Снижение дозы противопаркинсонических препаратов
- Улучшение качества жизни пациентов

##### Оптогенетическая стимуляция

Оптогенетика предоставляет уникальные возможности для прецизионного контроля аттракторных состояний с высоким пространственным и временным разрешением (Boyden, 2011). Этот метод позволяет селективно активировать или подавлять определенные популяции нейронов.

**Оптогенетические инструменты:**

1. **Каналродопсин-2 (ChR2)**: Обеспечивает деполяризацию нейронов при освещении синим светом
2. **Галородопсин (NpHR)**: Гиперполяризует нейроны при желтом освещении
3. **Опсины третьего поколения**: Улучшенная специфичность и эффективность

**Применения в исследованиях аттракторов:**

- Тестирование каузальности в аттракторных сетях
- Создание искусственных аттракторов в живой ткани
- Изучение переходов между аттракторными состояниями

**Терапевтический потенциал:**

- Лечение эпилепсии через подавление патологических аттракторов
- Модуляция аттракторов памяти при болезни Альцгеймера
- Коррекция аттракторов настроения при депрессии

##### Закрытая петля стимуляции

Адаптивная стимуляция на основе реального времени анализа аттракторных состояний представляет собой следующий этап развития нейромодуляции (Krook-Magnuson et al., 2013). Системы с замкнутой петлей автоматически детектируют текущее аттракторное состояние и применяют соответствующую стимуляцию.

**Компоненты систем закрытой петли:**

1. **Детектор состояний**: Алгоритмы машинного обучения для распознавания аттракторных состояний
2. **Контроллер**: Логика принятия решений о необходимости стимуляции
3. **Стимулятор**: Устройство для доставки терапевтических воздействий

**Алгоритмы детекции:**

- Анализ мощности в специфических частотных диапазонах
- Детекция синхронизации между различными областями мозга
- Машинное обучение для распознавания патологических паттернов

**Преимущества адаптивной стимуляции:**

- Стимуляция только при необходимости, снижение побочных эффектов
- Экономия энергии имплантируемых устройств
- Персонализированная терапия на основе индивидуальных аттракторных профилей

### Искусственные нейронные сети

Аттракторные принципы стали основой для создания мощных архитектур искусственных нейронных сетей, способных к сложной обработке информации и обучению. Понимание аттракторной динамики биологических систем вдохновило разработку новых вычислительных подходов.

#### Рекуррентные нейронные сети

##### LSTM сети

Сети долгой краткосрочной памяти (LSTM) реализуют управляемые аттракторы через специализированную архитектуру с воротами (Hochreiter & Schmidhuber, 1997). Эти сети способны поддерживать устойчивые аттракторные состояния на произвольно длительные периоды времени.

**Архитектура LSTM:**

1. **Ворота забывания**: Контролируют, какая информация должна быть удалена из аттракторного состояния
2. **Входные ворота**: Определяют, какая новая информация будет сохранена
3. **Выходные ворота**: Управляют тем, какие части аттракторного состояния будут использованы для вывода

**Аттракторные свойства LSTM:**

- Способность к долговременному хранению информации
- Селективное забывание нерелевантной информации
- Адаптивное обновление внутренних представлений

**Биологические аналогии:**

- Ворота забывания аналогичны синаптическому масштабированию
- Входные ворота соответствуют синаптической пластичности
- Клеточное состояние функционирует как аттрактор рабочей памяти

##### Attention механизмы

Механизмы внимания реализуют динамические аттракторы, которые фокусируются на релевантной информации в зависимости от текущего контекста (Bahdanau et al., 2014). Эти механизмы позволяют сетям адаптивно изменять свою аттракторную динамику.

**Принципы работы attention:**

1. **Запросы (Queries)**: Определяют текущий фокус внимания
2. **Ключи (Keys)**: Индексируют доступную информацию
3. **Значения (Values)**: Содержат актуальные данные

**Типы attention механизмов:**

- **Self-attention**: Внимание к различным частям входной последовательности
- **Cross-attention**: Внимание между различными модальностями
- **Multi-head attention**: Параллельные механизмы внимания с различными аттракторами

**Динамические аттракторы:**

- Аттракторы внимания адаптивно изменяются в зависимости от задачи
- Конкуренция между различными фокусами внимания
- Иерархическая организация аттракторов на разных уровнях

##### Transformer архитектура

Архитектура Transformer основана на множественных аттракторных состояниях для эффективной обработки последовательностей (Vaswani et al., 2017). Эта архитектура демонстрирует, как аттракторные принципы могут быть масштабированы для обработки сложных задач.

**Ключевые компоненты:**

1. **Multi-head self-attention**: Множественные параллельные аттракторы внимания
2. **Позиционное кодирование**: Встраивание пространственно-временной информации в аттракторы
3. **Feed-forward сети**: Преобразование аттракторных представлений

**Аттракторные свойства Transformer:**

- Глобальная связность позволяет формировать сложные аттракторы
- Параллельная обработка ускоряет сходимость к аттракторам
- Масштабируемость архитектуры для различных размеров задач

**Применения:**

- Обработка естественного языка (GPT, BERT)
- Компьютерное зрение (Vision Transformer)
- Мультимодальные задачи (CLIP, DALL-E)

#### Резервуарные вычисления

Резервуарные вычисления представляют собой парадигму, основанную на использовании сложной аттракторной динамики для обработки временных последовательностей без необходимости обучения всех параметров сети.

##### Echo State Networks

Echo State Networks (ESN) используют резервуар со сложной аттракторной динамикой для преобразования входных сигналов в высокоразмерные представления (Jaeger, 2001). Только выходные веса подлежат обучению, что значительно упрощает процесс тренировки.

**Принципы ESN:**

1. **Резервуар**: Случайно инициализированная рекуррентная сеть с фиксированными весами
2. **Echo State Property**: Состояние резервуара определяется историей входных сигналов
3. **Линейный выход**: Простая линейная комбинация состояний резервуара

**Аттракторные свойства резервуара:**

- Богатая динамика с множественными аттракторами
- Чувствительность к начальным условиям
- Способность к формированию временных паттернов

**Условия стабильности:**

- Спектральный радиус матрицы весов должен быть меньше 1
- Баланс между стабильностью и выразительностью
- Оптимальная связность резервуара

##### Liquid State Machines

Liquid State Machines (LSM) представляют собой биологически правдоподобную реализацию резервуарных вычислений (Maass et al., 2002). Они моделируют динамику реальных нейронных микросхем с их сложной аттракторной динамикой.

**Биологическая мотивация:**

1. **Спайковые нейроны**: Используются модели integrate-and-fire нейронов
2. **Временная динамика**: Учитываются реальные временные константы
3. **Стохастичность**: Включается биологически реалистичный шум

**Архитектура LSM:**

- **Жидкость (Liquid)**: Резервуар спайковых нейронов
- **Возмущение**: Входные сигналы вызывают волны активности
- **Считывание**: Детекция состояний для решения задач

**Преимущества LSM:**

- Биологическая правдоподобность
- Энергоэффективность
- Робастность к шуму

##### Нейроморфные чипы

Нейроморфные чипы представляют собой аппаратную реализацию аттракторных вычислений, вдохновленную архитектурой и принципами работы биологических нейронных сетей (Indiveri et al., 2011).

**Принципы нейроморфных вычислений:**

1. **Событийно-ориентированная обработка**: Обработка информации происходит только при поступлении спайков
2. **Параллельная архитектура**: Множественные аттракторы обрабатываются одновременно
3. **Аналоговая динамика**: Использование аналоговых схем для моделирования нейронной динамики

**Аттракторные свойства нейроморфных чипов:**

- Естественная реализация аттракторов через физические процессы
- Энергоэффективность благодаря событийной обработке
- Адаптивность через пластичность синапсов

**Современные разработки:**

- **Intel Loihi**: Чип с 130,000 нейронами и 130 млн синапсов
- **IBM TrueNorth**: Архитектура с 1 млн нейронов
- **SpiNNaker**: Масштабируемая система для моделирования мозга

**Применения:**

- Обработка сенсорных данных в реальном времени
- Автономные системы с низким энергопотреблением
- Робототехника и встраиваемые системы

**Перспективы развития:**

- Интеграция с традиционными вычислительными архитектурами
- Создание гибридных систем с биологическими и искусственными компонентами
- Развитие новых алгоритмов обучения для нейроморфных систем

## Перспективы и будущие направления

### Теоретические направления

#### Многомасштабная аттракторная динамика

Одним из наиболее перспективных направлений современной нейронауки является развитие теории, описывающей взаимодействие аттракторов на различных пространственно-временных масштабах. Эта область исследований становится особенно актуальной в свете растущего понимания того, что мозг функционирует как сложная многоуровневая система, где процессы на разных масштабах взаимодействуют и влияют друг на друга.

**Иерархические аттракторы** представляют собой концептуальную основу для понимания того, как аттракторы на различных уровнях организации - от молекулярного до системного - могут быть организованы в иерархические структуры. Современные модели предполагают, что аттракторы высокого уровня могут контролировать динамику аттракторов низкого уровня через механизмы нисходящей модуляции. Например, аттракторы на уровне кортикальных областей могут модулировать локальные аттракторы в кортикальных колонках, которые, в свою очередь, влияют на аттракторную динамику отдельных нейронов. Эта иерархическая организация может объяснять, как глобальные состояния мозга (такие как уровень внимания или эмоциональное состояние) влияют на локальные процессы обработки информации (Rabinovich et al., 2014).

Математическое описание иерархических аттракторов требует развития новых подходов, учитывающих множественные временные масштабы. Быстрые переменные (активность нейронов) могут адиабатически следовать за медленными переменными (нейромодуляторные состояния), создавая эффективную иерархию аттракторов. Это приводит к формированию сложных динамических ландшафтов, где изменения в медленных переменных могут радикально перестраивать структуру аттракторов на быстрых временных масштабах.

**Кросс-частотные взаимодействия** представляют собой механизм связи между аттракторами, действующими в разных частотных диапазонах. Современные исследования показывают, что взаимодействие между различными ритмами мозга - от медленных дельта-волн до быстрых гамма-осцилляций - может координировать активность распределенных нейронных сетей. Фазо-амплитудная связь, при которой фаза медленных ритмов модулирует амплитуду быстрых ритмов, может рассматриваться как взаимодействие между циклическими аттракторами разных временных масштабов (Canolty & Knight, 2010).

Эти взаимодействия могут обеспечивать временную организацию нейронной активности, создавая временные окна для эффективной коммуникации между различными мозговыми регионами. Например, тета-ритм может создавать циклические аттракторы, которые координируют гамма-осцилляции в различных кортикальных областях, обеспечивая синхронизацию активности и эффективную передачу информации.

**Критические явления** в аттракторной динамике привлекают все больше внимания исследователей. Критические точки - это особые состояния системы, где малые изменения в параметрах могут вызывать качественные изменения в аттракторной структуре. Растущее количество данных свидетельствует о том, что мозг может функционировать вблизи критических точек, что обеспечивает максимальную чувствительность к входным сигналам и оптимальную обработку информации (Beggs & Plenz, 2003).

Критическая динамика может проявляться в виде нейронных лавин - каскадных событий активации нейронов, которые следуют степенным законам распределения. Эти лавины могут представлять собой переходы между различными аттракторными состояниями, где критичность обеспечивает оптимальный баланс между стабильностью и гибкостью системы. Понимание критических явлений в аттракторной динамике может привести к разработке новых терапевтических подходов, основанных на управлении критическими переходами в патологических состояниях.

#### Стохастическая аттракторная динамика

Реальные нейронные системы функционируют в условиях значительного шума, который может как дестабилизировать аттракторы, так и играть конструктивную роль в нейронных вычислениях. Развитие теории стохастической аттракторной динамики представляет собой важное направление для понимания функционирования мозга в условиях неопределенности.

**Шумовые переходы** между аттракторами представляют собой фундаментальный механизм, который может обеспечивать гибкость нейронных систем. Классическая теория Фрейдлина-Венцеля описывает, как флуктуации могут вызывать переходы между устойчивыми состояниями, преодолевая энергетические барьеры между аттракторами. В нейронном контексте это может объяснять спонтанные изменения в активности мозга, переключения внимания, и другие процессы, которые не могут быть объяснены детерминистическими моделями (Freidlin & Wentzell, 2012).

Время перехода между аттракторами в присутствии шума может быть описано через экспоненциальное распределение с параметром, зависящим от высоты барьера и интенсивности шума. Это создает возможность для прогнозирования и управления переходами между различными функциональными состояниями мозга через модуляцию уровня шума или изменение высоты барьеров.

**Флуктуационные теоремы** из статистической физики находят применение в анализе нейронных систем, предоставляя новые инструменты для понимания энергетических аспектов аттракторной динамики. Эти теоремы связывают флуктуации с диссипацией энергии в неравновесных системах, что может помочь в понимании энергетических затрат различных типов нейронной активности (Seifert, 2012).

Применение флуктуационных теорем к нейронным системам может привести к новому пониманию связи между метаболической активностью мозга и его функциональными состояниями. Различные аттракторные состояния могут характеризоваться различными энергетическими затратами, что может объяснять предпочтение определенных состояний в условиях ограниченных ресурсов.

**Информационная геометрия** предоставляет математический аппарат для анализа аттракторных систем в терминах геометрических структур в пространстве вероятностных распределений. Этот подход позволяет количественно описывать расстояния между различными аттракторными состояниями и изучать геометрию переходов между ними (Amari, 2016).

Информационно-геометрический подход может быть особенно полезен для анализа обучения и адаптации в нейронных системах. Изменения в аттракторной структуре в результате обучения могут быть описаны как движение по многообразию в информационном пространстве, что предоставляет новые возможности для оптимизации алгоритмов обучения и понимания нейронной пластичности.

### Экспериментальные направления

#### Новые технологии регистрации

Развитие экспериментальных методов исследования аттракторной динамики идет по пути увеличения пространственного и временного разрешения, а также расширения возможностей для одновременной регистрации и стимуляции нейронной активности.

**Высокоплотностные электроды** представляют революционный прорыв в нейрофизиологии, позволяя одновременно регистрировать активность тысяч нейронов с высоким временным разрешением. Современные кремниевые пробы могут содержать сотни электродов, расположенных с микронным разрешением, что позволяет детально изучать пространственную структуру аттракторов в нейронных популяциях (Jun et al., 2017).

Эти технологии открывают новые возможности для изучения коллективной динамики нейронных ансамблей, позволяя наблюдать формирование и эволюцию аттракторов в реальном времени. Высокая плотность регистрации позволяет исследовать мелкомасштабную структуру аттракторов и изучать, как локальные изменения в активности отдельных нейронов влияют на глобальную аттракторную динамику.

Интеграция высокоплотностных электродов с методами машинного обучения позволяет в режиме реального времени идентифицировать аттракторные состояния и предсказывать переходы между ними. Это создает основу для разработки систем с обратной связью, которые могут модулировать аттракторную динамику в зависимости от текущего состояния системы.

**Минископы** представляют собой миниатюрные флуоресцентные микроскопы, которые могут быть установлены на головы экспериментальных животных, позволяя изучать аттракторную динамику в естественных условиях поведения. Эти устройства обеспечивают возможность длительной регистрации активности сотен нейронов в течение недель и месяцев, что критически важно для понимания долгосрочных изменений в аттракторной структуре (Ghosh et al., 2011).

Использование минископов позволяет изучать, как аттракторная динамика изменяется в процессе обучения, старения, или развития патологических состояний. Возможность проследить эволюцию одних и тех же нейронных ансамблей во времени предоставляет уникальную возможность для понимания механизмов формирования и модификации аттракторов.

Современные минископы интегрируют дополнительные функциональности, такие как возможность оптогенетической стимуляции, что позволяет не только наблюдать, но и активно манипулировать аттракторной динамикой во время поведенческих экспериментов.

**Голографическая стимуляция** представляет собой революционную технологию, которая позволяет с высокой точностью активировать выбранные группы нейронов в трехмерном пространстве. Используя пространственные модуляторы света, исследователи могут создавать сложные паттерны освещения, которые могут одновременно стимулировать десятки или сотни нейронов с клеточным разрешением (Packer et al., 2015).

Эта технология открывает беспрецедентные возможности для изучения причинно-следственных связей в аттракторной динамике. Исследователи могут точно воспроизводить естественные паттерны активности, искусственно создавать аттракторные состояния, или нарушать существующие аттракторы для изучения их функциональной роли.

Голографическая стимуляция может быть использована для тестирования теоретических предсказаний о структуре аттракторов, позволяя проверять, какие комбинации нейронов необходимы для поддержания определенных аттракторных состояний. Это может привести к более глубокому пониманию минимальных нейронных схем, необходимых для реализации различных когнитивных функций.

#### Новые модельные системы

Развитие новых экспериментальных моделей расширяет возможности для изучения аттракторной динамики в контролируемых условиях и на различных уровнях сложности.

**Органоиды мозга** представляют собой трехмерные культуры нейронов, которые воспроизводят многие аспекты развития и организации мозга человека. Эти системы позволяют изучать аттракторную динамику в условиях, более близких к физиологическим, чем традиционные двумерные культуры, но с большим контролем, чем в экспериментах in vivo (Lancaster et al., 2013).

Органоиды могут быть использованы для изучения развития аттракторной динамики в процессе созревания нейронных сетей. Наблюдение за формированием спонтанной активности в органоидах может предоставить уникальную информацию о том, как аттракторы возникают в результате самоорганизации нейронных сетей.

Возможность генетической модификации органоидов позволяет изучать влияние различных мутаций на аттракторную динамику, что может быть особенно важно для понимания нейроразвитийных расстройств. Сравнение аттракторной динамики в органоидах от здоровых людей и пациентов с различными заболеваниями может привести к новым пониманиям патогенеза и разработке терапевтических подходов.

**Оптически прозрачные модели**, такие как zebrafish и C. elegans, предоставляют уникальные возможности для изучения аттракторной динамики на уровне целого организма с клеточным разрешением. Прозрачность этих животных позволяет наблюдать активность всех нейронов одновременно, что критически важно для понимания глобальной аттракторной динамики (Ahrens et al., 2013).

В zebrafish исследователи могут изучать, как аттракторы в различных мозговых регионах координируют сложные поведенческие программы, такие как охота, избегание хищников, или социальное взаимодействие. Возможность наблюдать всю нейронную активность одновременно позволяет изучать, как локальные аттракторы интегрируются в глобальные паттерны активности.

C. elegans, с его полностью картированным коннектомом, представляет идеальную модель для изучения связи между структурой сети и аттракторной динамикой. Исследователи могут изучать, как специфические связи между нейронами определяют возможные аттракторные состояния и переходы между ними.

**Искусственные нейронные сети** предоставляют дополнительный инструмент для изучения аттракторной динамики, позволяя тестировать теоретические предсказания в полностью контролируемых условиях. Сравнение аттракторной динамики в биологических и искусственных системах может выявить общие принципы организации нейронных вычислений (Yamins & DiCarlo, 2016).

Современные глубокие нейронные сети демонстрируют сложную аттракторную динамику, которая может быть изучена с использованием тех же методов, что и в биологических системах. Это позволяет исследовать фундаментальные вопросы о том, какие аспекты аттракторной динамики являются универсальными для всех нейронных систем, а какие специфичны для биологических реализаций.

### Клинические приложения

#### Персонализированная медицина

Применение принципов аттракторной динамики в клинической практике открывает новые возможности для персонализированного подхода к диагностике и лечению неврологических и психиатрических заболеваний.

**Биомаркеры на основе аттракторной динамики** представляют собой новый класс диагностических инструментов, которые могут предоставить более точную и объективную информацию о состоянии нервной системы пациента. Характеристики аттракторов, такие как их стабильность, размеры бассейнов притяжения, и временные константы переходов, могут служить количественными маркерами различных патологических состояний (Deco et al., 2017).

Например, при депрессии может наблюдаться увеличение стабильности негативных аттракторных состояний и уменьшение способности к переходам в позитивные состояния. Количественная оценка этих характеристик может предоставить объективные критерии для диагностики депрессии и мониторинга эффективности лечения.

При шизофрении нарушения в метастабильной динамике могут проявляться в изменении временных характеристик переходов между аттракторными состояниями. Анализ этих изменений может помочь в раннем выявлении заболевания и разработке более эффективных терапевтических подходов.

**Предсказание ответа на лечение** на основе аттракторной динамики может революционизировать клиническую практику, позволяя заранее определять, какие пациенты будут отвечать на определенные виды терапии. Анализ базовой аттракторной динамики пациента может предсказать, как его нервная система будет реагировать на различные фармакологические или нефармакологические вмешательства (Drysdale et al., 2017).

Исследования показывают, что пациенты с различными типами аттракторной динамики могут по-разному отвечать на антидепрессанты, анксиолитики, или психотерапевтические вмешательства. Это может привести к разработке алгоритмов, которые будут рекомендовать оптимальную терапию для каждого пациента на основе его индивидуальных характеристик аттракторной динамики.

**Адаптивная стимуляция** представляет собой следующий шаг в развитии нейростимуляционных технологий, где параметры стимуляции адаптируются в реальном времени в зависимости от текущего аттракторного состояния пациента. Это может значительно повысить эффективность терапии и снизить побочные эффекты (Reardon, 2016).

Системы адаптивной стимуляции могут использовать машинное обучение для распознавания текущих аттракторных состояний и автоматически корректировать параметры стимуляции для достижения желаемых терапевтических эффектов. Например, при эпилепсии система может детектировать приближение припадка (переход к эпилептическому аттрактору) и применять превентивную стимуляцию для предотвращения развития приступа.

#### Нейрореабилитация

Понимание аттракторной динамики открывает новые возможности для разработки эффективных программ нейрореабилитации, основанных на принципах формирования и модификации аттракторов.

**Моторное обучение и восстановление** может быть значительно улучшено за счет применения принципов аттракторной динамики. Формирование новых моторных навыков может рассматриваться как процесс создания новых аттракторов в моторных сетях, в то время как восстановление после инсульта может включать реактивацию существующих аттракторов или формирование компенсаторных аттракторных путей (Krakauer, 2006).

Терапевтические подходы могут быть оптимизированы для целенаправленного формирования желаемых аттракторов. Например, повторяющиеся упражнения могут быть структурированы таким образом, чтобы максимизировать формирование устойчивых аттракторов, соответствующих правильным двигательным паттернам.

Использование технологий виртуальной реальности и роботизированных систем может создать оптимальные условия для формирования новых аттракторов, предоставляя точную обратную связь и контролируемую среду для обучения.

**Когнитивная реабилитация** может быть усовершенствована путем применения принципов аттракторной динамики для восстановления когнитивных функций после травм мозга или нейродегенеративных заболеваний. Различные когнитивные функции могут быть связаны с специфическими аттракторными состояниями, и реабилитация может быть направлена на восстановление или компенсацию этих состояний (Cicerone et al., 2019).

Тренировка рабочей памяти может включать упражнения, специально разработанные для усиления стабильности аттракторов рабочей памяти. Программы внимания могут быть оптимизированы для улучшения переходов между различными аттракторными состояниями внимания.

**Нейрофидбэк** может быть значительно улучшен за счет интеграции принципов аттракторной динамики. Традиционные подходы нейрофидбэка могут быть расширены для тренировки специфических аттракторных состояний, связанных с желаемыми когнитивными или эмоциональными функциями (Gruzelier, 2014).

Современные системы нейрофидбэка могут использовать методы машинного обучения для идентификации индивидуальных аттракторных состояний пациента и предоставления персонализированной обратной связи. Это может повысить эффективность тренировки и ускорить достижение терапевтических целей.

Интеграция нейрофидбэка с другими терапевтическими подходами может создать синергетические эффекты, где различные вмешательства работают вместе для модификации аттракторной динамики в желаемом направлении.

## Заключение

Аттракторная динамика представляет собой фундаментальный организационный принцип нервной системы, проявляющийся на всех уровнях - от молекулярных сетей до глобальных мозговых систем. Понимание аттракторных механизмов критически важно для объяснения основных свойств нервной системы: устойчивости к возмущениям, способности к обучению и адаптации, генерации сложных поведенческих паттернов.

Современные исследования показывают, что различные типы аттракторов - точечные, циклические, хаотические и странные - играют специфические роли в нейронных вычислениях. Точечные аттракторы лежат в основе рабочей памяти и принятия решений, циклические аттракторы генерируют нейронные осцилляции и моторные паттерны, а хаотические аттракторы обеспечивают гибкость и адаптивность нейронных сетей.

Особое значение имеют метастабильные аттракторные состояния, которые обеспечивают баланс между стабильностью и гибкостью нервной системы. Нарушения в метастабильной динамике связаны с широким спектром неврологических и психических расстройств, включая эпилепсию, шизофрению, болезнь Альцгеймера и депрессию.

Клинические применения аттракторных принципов включают разработку новых методов диагностики и лечения неврологических заболеваний, создание эффективных нейропротезов и интерфейсов мозг-компьютер. В области искусственного интеллекта аттракторные принципы способствуют созданию более эффективных и биологически правдоподобных алгоритмов обучения.

Будущие исследования должны сосредоточиться на развитии многомасштабных теорий аттракторной динамики, создании новых экспериментальных методов исследования и разработке клинических приложений. Интеграция теоретических, экспериментальных и вычислительных подходов позволит глубже понять роль аттракторной динамики в функционировании мозга и использовать эти знания для решения фундаментальных и прикладных задач нейронауки.

---

## Список литературы

1. Ahrens, M. B., Orger, M. B., Robson, D. N., Li, J. M., & Keller, P. J. (2013). Whole‑brain functional imaging at cellular resolution using light‑sheet microscopy. *Nature Methods*, 10(5), 413‑420.
   [https://www.nature.com/articles/nmeth.2434](https://www.nature.com/articles/nmeth.2434) ([nature.com][1])

2. Aimone, J. B., Wiles, J., & Gage, F. H. (2009). Computational influence of adult neurogenesis on memory encoding. *Neuron*, 61(2), 187‑202.
   [https://doi.org/10.1016/j.neuron.2008.11.026](https://doi.org/10.1016/j.neuron.2008.11.026) ([pubmed.ncbi.nlm.nih.gov][2])

3. Amit, D. J., Gutfreund, H., & Sompolinsky, H. (1985). Storing infinite numbers of patterns in a spin‑glass model of neural networks. *Physical Review Letters*, 55(14), 1530‑1533.
   [https://link.aps.org/doi/10.1103/PhysRevLett.55.1530](https://link.aps.org/doi/10.1103/PhysRevLett.55.1530) ([link.aps.org][3])

4. Amari, S. I. (2016). *Information geometry and its applications* (Vol. 194). Springer.
   [https://link.springer.com/book/10.1007/978-4-431-55978-8](https://link.springer.com/book/10.1007/978-4-431-55978-8) ([link.springer.com][4])

5. Baars, B. J. (2005). Global workspace theory of consciousness: toward a cognitive neuroscience of human experience. *Progress in Brain Research*, 150, 45‑53.
   [https://doi.org/10.1016/S0079-6123(05)50004-9](https://doi.org/10.1016/S0079-6123%2805%2950004-9) ([pubmed.ncbi.nlm.nih.gov][5])

6. Babloyantz, A., & Destexhe, A. (1986). Low‑dimensional chaos in an instance of epilepsy. *Proceedings of the National Academy of Sciences*, 83(10), 3513–3517.
   [https://www.pnas.org/doi/10.1073/pnas.83.10.3513](https://www.pnas.org/doi/10.1073/pnas.83.10.3513) ([pnas.org][6])

7. Bahdanau, D., Cho, K., & Bengio, Y. (2014). Neural machine translation by jointly learning to align and translate. *arXiv preprint arXiv:1409.0473*.
   [https://arxiv.org/abs/1409.0473](https://arxiv.org/abs/1409.0473) ([arxiv.org][7])

8. Beck, A. T. (2008). The evolution of the cognitive model of depression and its neurobiological correlates. *American Journal of Psychiatry*, 165(8), 969–977.
   [https://psychiatryonline.org/doi/full/10.1176/appi.ajp.2008.08050721](https://psychiatryonline.org/doi/full/10.1176/appi.ajp.2008.08050721) ([psychiatryonline.org][8])

9. Beggs, J. M., & Plenz, D. (2003). Neuronal avalanches in neocortical circuits. *Journal of Neuroscience*, 23(35), 11167–11177.
   [https://doi.org/10.1523/JNEUROSCI.23-35-11167.2003](https://doi.org/10.1523/JNEUROSCI.23-35-11167.2003) ([pmc.ncbi.nlm.nih.gov][9])

10. Berridge, M. J., Bootman, M. D., & Roderick, H. L. (2003). Calcium signalling: dynamics, homeostasis and remodelling. *Nature Reviews Molecular Cell Biology*, 4(7), 517–529.
    [https://doi.org/10.1038/nrm1155](https://doi.org/10.1038/nrm1155) ([oro.open.ac.uk][10])

11. Bevan, M. D., Magill, P. J., Terman, D., Bolam, J. P., & Wilson, C. J. (2002). Move to the rhythm: oscillations in the subthalamic nucleus–external globus pallidus network. *Trends in Neurosciences*, 25(10), 525–531.
    [https://doi.org/10.1016/S0166-2236(02)02235-X](https://doi.org/10.1016/S0166-2236%2802%2902235-X) ([pubmed.ncbi.nlm.nih.gov][11])

12. Bi, G. Q., & Poo, M. M. (2001). Synaptic modification by correlated activity: Hebb’s postulate revisited. *Annual Review of Neuroscience*, 24(1), 139–166.
    [https://doi.org/10.1146/annurev.neuro.24.1.139](https://doi.org/10.1146/annurev.neuro.24.1.139) ([pubmed.ncbi.nlm.nih.gov][12])

13. Börgers, C., & Kopell, N. (2003). Synchronization in networks of excitatory and inhibitory neurons with sparse, random connectivity. *Neural Computation*, 15(3), 509–538.
    [https://doi.org/10.1162/089976603321192059](https://doi.org/10.1162/089976603321192059) ([pubmed.ncbi.nlm.nih.gov][13])

14. Boyden, E. S. (2011). A history of optogenetics: the development of tools for controlling brain circuits with light. *F1000 Biology Reports*, 3, 11.
    [https://doi.org/10.3410/B3-11](https://doi.org/10.3410/B3-11) ([pmc.ncbi.nlm.nih.gov][14])

15. Boyden, E. S., Zhang, F., Bamberg, E., Nagel, G., & Deisseroth, K. (2005). Millisecond‑timescale, genetically targeted optical control of neural activity. *Nature Neuroscience*, 8(9), 1263–1268.
    [https://doi.org/10.1038/nn1525](https://doi.org/10.1038/nn1525) ([nature.com][15])

16. Brunel, N. (2000). Dynamics of sparsely connected networks of excitatory and inhibitory spiking neurons. *Journal of Computational Neuroscience*, 8(3), 183–208.
    [https://doi.org/10.1023/A:1008925309027](https://doi.org/10.1023/A:1008925309027) ([link.springer.com][16], [pubmed.ncbi.nlm.nih.gov][17])

17. Brunel, N., & Wang, X. J. (2001). Effects of neuromodulation in a cortical network model of object working memory dominated by recurrent inhibition. *Journal of Computational Neuroscience*, 11(1), 63–85.
    [https://doi.org/10.1023/A:1011204814320](https://doi.org/10.1023/A:1011204814320) ([link.springer.com][18], [scirp.org][19])

18. Buckner, R. L., Snyder, A. Z., Shannon, B. J., LaRossa, G., Sachs, R., Fotenos, A. F., … & Morris, J. C. (2005). Molecular, structural, and functional characterization of Alzheimer’s disease: evidence for a relationship between default activity, amyloid, and memory. *Journal of Neuroscience*, 25(34), 7709–7717.
    [https://doi.org/10.1523/JNEUROSCI.2177-05.2005](https://doi.org/10.1523/JNEUROSCI.2177-05.2005) ([pubmed.ncbi.nlm.nih.gov][20], [jneurosci.org][21])

19. Bullmore, E., & Sporns, O. (2009). Complex brain networks: graph theoretical analysis of structural and functional systems. *Nature Reviews Neuroscience*, 10(3), 186–198.
    [https://doi.org/10.1038/nrn2575](https://doi.org/10.1038/nrn2575) ([pubmed.ncbi.nlm.nih.gov][22], [scirp.org][23])

20. Busche, M. A., Eichhoff, G., Adelsberger, H., Abramowski, D., Wiederhold, K. H., Haass, C., … & Konnerth, A. (2008). Clusters of hyperactive neurons near amyloid plaques in a mouse model of Alzheimer’s disease. *Science*, 321(5896), 1686–1689.
    [https://doi.org/10.1126/science.1162844](https://doi.org/10.1126/science.1162844) ([pubmed.ncbi.nlm.nih.gov][24], [periodicos.capes.gov.br][25])

21. Buzsáki, G. (2002). Theta oscillations in the hippocampus. *Neuron*, 33(3), 325–340.
    [https://doi.org/10.1016/S0896-6273(02)00586-X](https://doi.org/10.1016/S0896-6273%2802%2900586-X) ([pubmed.ncbi.nlm.nih.gov][26])

22. Buzsáki, G. (2006). *Rhythms of the Brain*. Oxford University Press.
    [https://academic.oup.com/book/11166](https://academic.oup.com/book/11166) ([academic.oup.com][27])

23. Buzsáki, G., Anastassiou, C. A., & Koch, C. (2012). The origin of extracellular fields and currents—EEG, ECoG, LFP and spikes. *Nature Reviews Neuroscience*, 13(6), 407–420.
    [https://www.nature.com/articles/nrn3241](https://www.nature.com/articles/nrn3241) ([nature.com][28])

24. Canolty, R. T., & Knight, R. T. (2010). The functional role of cross-frequency coupling. *Trends in Cognitive Sciences*, 14(11), 506–515.
    [https://doi.org/10.1016/j.tics.2010.09.001](https://doi.org/10.1016/j.tics.2010.09.001) ([scilit.com][29])

25. Chen, T. W., Wardill, T. J., Sun, Y., Pulver, S. R., Renninger, S. L., Baohan, A., … & Kim, D. S. (2013). Ultrasensitive fluorescent proteins for imaging neuronal activity. *Nature*, 499(7458), 295–300.
    [https://www.nature.com/articles/nature12354](https://www.nature.com/articles/nature12354) ([nature.com][30])

26. Churchland, M. M., Cunningham, J. P., Kaufman, M. T., Foster, J. D., Nuyujukian, P., Ryu, S. I., & Shenoy, K. V. (2012). Neural population dynamics during reaching. *Nature*, 487(7405), 51–56.
    [https://doi.org/10.1038/nature11129](https://doi.org/10.1038/nature11129) ([nature.com][31])

27. Cicerone, K. D., Goldin, Y., Ganci, K., Rosenbaum, A., Wethe, J. V., Langenbahn, D. M., ... & Harley, J. P. (2019). Evidence-based cognitive rehabilitation: systematic review of the literature from 2009 through 2014. *Archives of Physical Medicine and Rehabilitation*, 100(8), 1515–1533.
    [https://doi.org/10.1016/j.apmr.2019.02.011](https://doi.org/10.1016/j.apmr.2019.02.011) ([pubmed.ncbi.nlm.nih.gov][32])

28. Corbetta, M., & Shulman, G. L. (2002). Control of goal-directed and stimulus-driven attention in the brain. *Nature Reviews Neuroscience*, 3(3), 201–215.
    [https://doi.org/10.1038/nrn755](https://doi.org/10.1038/nrn755) ([nature.com][33])

29. Corlett, P. R., Horga, G., Fletcher, P. C., Alderson‑Day, B., Schmack, K., & Powers III, A. R. (2019). Hallucinations and strong priors. *Trends in Cognitive Sciences*, 23(2), 114–127.
    [https://doi.org/10.1016/j.tics.2018.12.001](https://doi.org/10.1016/j.tics.2018.12.001) ([pubmed.ncbi.nlm.nih.gov][34])

30. de Curtis, M., & Avanzini, G. (2001). Interictal spikes in focal epileptogenesis. *Progress in Neurobiology*, 63(5), 541–567.
    [https://doi.org/10.1016/S0301-0082(00)00026-5](https://doi.org/10.1016/S0301-0082%2800%2900026-5) ([pubmed.ncbi.nlm.nih.gov][35])

31. Deco, G., & Jirsa, V. K. (2012). Ongoing cortical activity at rest: criticality, multistability, and ghost attractors. *Journal of Neuroscience*, 32(10), 3366–3375.  
    [https://doi.org/10.1523/JNEUROSCI.2523-11.2012](https://doi.org/10.1523/JNEUROSCI.2523-11.2012) ([scirp.org][36]) 

32. Deco, G., & Kringelbach, M. L. (2014). Great expectations: using whole‑brain computational connectomics for understanding neuropsychiatric disorders. *Neuron*, 84(5), 892–905.  
    [https://doi.org/10.1016/j.neuron.2014.08.034](https://doi.org/10.1016/j.neuron.2014.08.034) ([pubmed.ncbi.nlm.nih.gov][37]) 

33. Deco, G., Jirsa, V. K., & McIntosh, A. R. (2011). Emerging concepts for the dynamical organization of resting‑state activity in the brain. *Nature Reviews Neuroscience*, 12(1), 43–56.  
    [https://doi.org/10.1038/nrn2961](https://doi.org/10.1038/nrn2961) ([pubmed.ncbi.nlm.nih.gov][38])

34. Deco, G., Kringelbach, M. L., Jirsa, V. K., & Ritter, P. (2017). The dynamics of resting fluctuations in the brain: metastability and its dynamical cortical core. *Scientific Reports*, 7(1), 1–14.  
    [https://doi.org/10.1038/s41598-017-03073-5](https://doi.org/10.1038/s41598-017-03073-5) ([nature.com][39])

35. Dehaene, S., & Changeux, J. P. (2011). Experimental and theoretical approaches to conscious processing. *Neuron*, 70(2), 200–227.  
    [https://doi.org/10.1016/j.neuron.2011.03.018](https://doi.org/10.1016/j.neuron.2011.03.018) ([pubmed.ncbi.nlm.nih.gov][40]) 

36. Douglas, R. J., & Martin, K. A. (2004). Neuronal circuits of the neocortex. *Annual Review of Neuroscience*, 27, 419–451.  
    [https://doi.org/10.1146/annurev.neuro.27.070203.144152](https://doi.org/10.1146/annurev.neuro.27.070203.144152) ([pubmed.ncbi.nlm.nih.gov][41], [annualreviews.org][42])

37. Drevets, W. C., Price, J. L., & Furey, M. L. (2008). Brain structural and functional abnormalities in mood disorders: implications for neurocircuitry models of depression. *Brain Structure and Function*, 213(1–2), 93–118.  
    [https://doi.org/10.1007/s00429-008-0189-x](https://doi.org/10.1007/s00429-008-0189-x) ([pubmed.ncbi.nlm.nih.gov][43])

38. Drysdale, A. T., Grosenick, L., Downar, J., Dunlop, K., Mansouri, F., Meng, Y., ... & Liston, C. (2017). Resting-state connectivity biomarkers define neurophysiological subtypes of depression. *Nature Medicine*, 23(1), 28–38.  
    [https://doi.org/10.1038/nm.4246](https://doi.org/10.1038/nm.4246) ([pubmed.ncbi.nlm.nih.gov][44])

39. Durstewitz, D., & Seamans, J. K. (2008). The dual‑state theory of prefrontal cortex dopamine function with relevance to catechol‑o‑methyltransferase genotypes and schizophrenia. *Biological Psychiatry*, 64(9), 739–749.  
    [https://doi.org/10.1016/j.biopsych.2008.05.015](https://doi.org/10.1016/j.biopsych.2008.05.015) ([pubmed.ncbi.nlm.nih.gov][45])

40. Durstewitz, D., Seamans, J. K., & Sejnowski, T. J. (2000). Dopamine-mediated stabilization of delay-period activity in a network model of prefrontal cortex. *Journal of Neurophysiology*, 83(3), 1733–1750.  
    [https://doi.org/10.1152/jn.2000.83.3.1733](https://doi.org/10.1152/jn.2000.83.3.1733) ([pubmed.ncbi.nlm.nih.gov][46])

41. Edwards, F. A., Konnerth, A., Sakmann, B., & Takahashi, T. (1989). A thin slice preparation for patch clamp recordings from neurones of the mammalian central nervous system. *Pflügers Archiv*, 414(5), 600–612.  
    [https://link.springer.com/article/10.1007/BF00580998](https://link.springer.com/article/10.1007/BF00580998) ([link.springer.com][47])

42. Egorov, A. V., Hamam, B. N., Fransén, E., Hasselmo, M. E., & Alonso, A. A. (2002). Graded persistent activity in entorhinal cortex neurons. *Nature*, 420(6912), 173–178.  
    [https://www.nature.com/articles/nature01171](https://www.nature.com/articles/nature01171) ([pubmed.ncbi.nlm.nih.gov][48])

43. Elowitz, M. B., & Leibler, S. (2000). A synthetic oscillatory network of transcriptional regulators. *Nature*, 403(6767), 335–338.  
    [https://www.nature.com/articles/35002125](https://www.nature.com/articles/35002125) ([nature.com][49])

44. Ermentrout, B. (1998). Neural networks as spatio-temporal pattern-forming systems. *Reports on Progress in Physics*, 61(4), 353.  
    [https://iopscience.iop.org/article/10.1088/0034-4885/61/4/002](https://iopscience.iop.org/article/10.1088/0034-4885/61/4/002) ([researchgate.net][50])

45. Ermentrout, B., & Terman, D. H. (2010). *Mathematical foundations of neuroscience* (Vol. 35). Springer.  
    [https://link.springer.com/book/10.1007/978-0-387-87708-2](https://link.springer.com/book/10.1007/978-0-387-87708-2) ([link.springer.com][51])

46. Faure, P., & Korn, H. (2001). Is there chaos in the brain? I. Concepts of nonlinear dynamics and methods of investigation. *Comptes Rendus de l'Académie des Sciences‑Series III‑Sciences de la Vie*, 324(9), 773–793.  
    [https://doi.org/10.1016/S0764-4469(01)01377-4](https://doi.org/10.1016/S0764-4469%2801%2901377-4) ([researchgate.net][52])

47. Ferrell Jr, J. E. (2002). Self‑perpetuating states in signal transduction: positive feedback, double‑negative feedback and bistability. *Current Opinion in Cell Biology*, 14(2), 140–148.  
    [https://doi.org/10.1016/S0955-0674(02)00314-9](https://doi.org/10.1016/S0955-0674%2802%2900314-9) ([pubmed.ncbi.nlm.nih.gov][53])

48. Ferrell Jr, J. E., & Xiong, W. (2001). Bistability in cell signaling: How to make continuous processes discontinuous, and reversible processes irreversible. *Chaos: An Interdisciplinary Journal of Nonlinear Science*, 11(1), 227–236.  
    [https://doi.org/10.1063/1.1349894](https://doi.org/10.1063/1.1349894) ([pubmed.ncbi.nlm.nih.gov][54])

49. Fingelkurts, A. A., Fingelkurts, A. A., & Neves, C. F. H. (2013). Consciousness as a phenomenon in the operational architectonics of brain organization: criticality and self‑organization considerations. *Chaos, Solitons & Fractals*, 55, 13–31.  
    [https://doi.org/10.1016/j.chaos.2013.02.007](https://doi.org/10.1016/j.chaos.2013.02.007) ([researchgate.net][55])

50. Freeman, L. C. (1977). A set of measures of centrality based on betweenness. *Sociometry*, 40(1), 35–41.  
    [https://doi.org/10.2307/3033543](https://doi.org/10.2307/3033543) ([researchgate.net][56])

51. Freeman, W. J. (1991). The physiology of perception. *Scientific American*, 264(2), 78–85.  
    [https://doi.org/10.1038/scientificamerican0291-78](https://doi.org/10.1038/scientificamerican0291-78) ([pubmed.ncbi.nlm.nih.gov][57])

52. Freidlin, M. I., & Wentzell, A. D. (2012). *Random perturbations of dynamical systems* (Vol. 260). Springer Science & Business Media.  
    [https://link.springer.com/book/10.1007/978-1-4612-0611-8](https://link.springer.com/book/10.1007/978-1-4612-0611-8) ([link.springer.com][58])

53. Friston, K. J., & Frith, C. D. (1995). Schizophrenia: a disconnection syndrome? *Clinical Neuroscience*, 3(2), 89–97.  
    [https://pubmed.ncbi.nlm.nih.gov/7583624/](https://pubmed.ncbi.nlm.nih.gov/7583624/) ([pubmed.ncbi.nlm.nih.gov][59])

54. Fuster, J. M., & Alexander, G. E. (1971). Neuron activity related to short‑term memory. *Science*, 173(3997), 652–654.  
    [https://doi.org/10.1126/science.173.3997.652](https://doi.org/10.1126/science.173.3997.652) ([pubmed.ncbi.nlm.nih.gov][60])

55. Gardner, T. S., Cantor, C. R., & Collins, J. J. (2000). Construction of a genetic toggle switch in *Escherichia coli*. *Nature*, 403(6767), 339–342.  
    [https://doi.org/10.1038/35002131](https://doi.org/10.1038/35002131) ([nature.com][61])

56. Ghosh, K. K., Burns, L. D., Cocker, E. D., Nimmerjahn, A., Ziv, Y., El Gamal, A. E., & Schnitzer, M. J. (2011). Miniaturized integration of a fluorescence microscope. *Nature Methods*, 8(10), 871–878.  
    [https://doi.org/10.1038/nmeth.1694](https://doi.org/10.1038/nmeth.1694) ([weizmann.elsevierpure.com][62])

57. Goldbeter, A. (1996). *Biochemical oscillations and cellular rhythms: The molecular bases of periodic and chaotic behaviour*. Cambridge University Press.  
    [https://doi.org/10.1017/CBO9780511608193](https://doi.org/10.1017/CBO9780511608193) ([cambridge.org][63])

58. Goodhill, G. J. (2007). Contributions of theoretical modeling to the understanding of neural map development. *Neuron*, 56(2), 301–311.  
    [https://doi.org/10.1016/j.neuron.2007.09.027](https://doi.org/10.1016/j.neuron.2007.09.027) ([goodhill.org][64])

59. Gotlib, I. H., & Joormann, J. (2010). Cognition and depression: current status and future directions. *Annual Review of Clinical Psychology*, 6, 285–312.  
    [https://doi.org/10.1146/annurev.clinpsy.121208.131305](https://doi.org/10.1146/annurev.clinpsy.121208.131305) ([scirp.org][65])

60. Grassberger, P., & Procaccia, I. (1983). Measuring the strangeness of strange attractors. *Physica D: Nonlinear Phenomena*, 9(1‑2), 189–208.  
    [https://doi.org/10.1016/0167-2789(83)90298-1](https://doi.org/10.1016/0167-2789%2883%2990298-1) ([sciencedirect.com][66], [weizmann.elsevierpure.com][67])

61. Grienberger, C., & Konnerth, A. (2012). Imaging calcium in neurons. *Neuron*, 73(5), 862–885.  
    [https://doi.org/10.1016/j.neuron.2012.02.011](https://doi.org/10.1016/j.neuron.2012.02.011) ([pubmed.ncbi.nlm.nih.gov][68])

62. Gruzelier, J. H. (2014). EEG‑neurofeedback for optimising performance. I: A review of cognitive and affective outcome in healthy participants. *Neuroscience & Biobehavioral Reviews*, 44, 124–141.  
    [https://doi.org/10.1016/j.neubiorev.2013.09.015](https://doi.org/10.1016/j.neubiorev.2013.09.015) ([pubmed.ncbi.nlm.nih.gov][69])

63. Guckenheimer, J., & Holmes, P. (1983). *Nonlinear oscillations, dynamical systems, and bifurcations of vector fields* (Vol. 42). Springer.  
    [https://doi.org/10.1007/978-1-4612-1140-2](https://doi.org/10.1007/978-1-4612-1140-2) ([link.springer.com][70])

64. Han, X., & Boyden, E. S. (2007). Multiple‑color optical activation, silencing, and desynchronization of neural activity, with single‑spike temporal resolution. *PLoS One*, 2(3), e299.  
    [https://doi.org/10.1371/journal.pone.0000299](https://doi.org/10.1371/journal.pone.0000299) ([journals.plos.org][71])

65. Hebb, D. O. (1949). *The organization of behavior: A neuropsychological theory*. Wiley.  
    [https://books.google.com/books/about/The\_Organization\_of\_Behavior.html?id=dZ0eDiLTwuEC](https://books.google.com/books/about/The_Organization_of_Behavior.html?id=dZ0eDiLTwuEC) ([books.google.com][72])

66. Helmchen, F., & Denk, W. (2005). Deep tissue two‑photon microscopy. *Nature Methods*, 2(12), 932–940.  
    [https://doi.org/10.1038/nmeth818](https://doi.org/10.1038/nmeth818) ([nature.com][73])

67. Heneka, M. T., Carson, M. J., El Khoury, J., Landreth, G. E., Brosseron, F., Feinstein, D. L., ... & Kummer, M. P. (2015). Neuroinflammation in Alzheimer's disease. *The Lancet Neurology*, 14(4), 388–405.  
    [https://doi.org/10.1016/S1474-4422(15)70016-5](https://doi.org/10.1016/S1474-4422%2815%2970016-5) ([pubmed.ncbi.nlm.nih.gov][74])

68. Hochreiter, S., & Schmidhuber, J. (1997). Long short‑term memory. *Neural Computation*, 9(8), 1735–1780.  
    [https://doi.org/10.1162/neco.1997.9.8.1735](https://doi.org/10.1162/neco.1997.9.8.1735) ([direct.mit.edu][75])

69. Holtmaat, A., & Svoboda, K. (2009). Experience‑dependent structural synaptic plasticity in the mammalian brain. *Nature Reviews Neuroscience*, 10(9), 647–658.  
    [https://doi.org/10.1038/nrn2699](https://doi.org/10.1038/nrn2699) ([nature.com][76])

70. Hopfield, J. J. (1982). Neural networks and physical systems with emergent collective computational abilities. *Proceedings of the National Academy of Sciences*, 79(8), 2554–2558.  
    [https://doi.org/10.1073/pnas.79.8.2554](https://doi.org/10.1073/pnas.79.8.2554) ([pnas.org][77])

71. Hopfield, J. J., & Tank, D. W. (1985). “Neural” computation of decisions in optimization problems. *Biological Cybernetics*, 52(3), 141–152.  
    [https://link.springer.com/article/10.1007/BF00339943](https://link.springer.com/article/10.1007/BF00339943) ([researchgate.net][78], [link.springer.com][79])

72. Hopfield, J. J., & Tank, D. W. (1986). Computing with neural circuits: a model. *Science*, 233(4764), 625–633.  
    [https://www.science.org/doi/10.1126/science.3755256](https://www.science.org/doi/10.1126/science.3755256) ([science.org][80], [pubmed.ncbi.nlm.nih.gov][81])

73. Hounsgaard, J., Hultborn, H., Jespersen, B., & Kiehn, O. (1988). Bistability of α‑motoneurones in the decerebrate cat and in the acute spinal cat after intravenous 5‑hydroxytryptophan. *Journal of Physiology*, 405(1), 345–367.  
    [https://doi.org/10.1113/jphysiol.1988.sp017336](https://doi.org/10.1113/jphysiol.1988.sp017336) ([researchprofiles.ku.dk][82])

74. Hutcheon, B., & Yarom, Y. (2000). Resonance, oscillation and the intrinsic frequency preferences of neurons. *Trends in Neurosciences*, 23(5), 216–222.  
    [https://doi.org/10.1016/S0166-2236(00)01547-2](https://doi.org/10.1016/S0166-2236%2800%2901547-2) ([pubmed.ncbi.nlm.nih.gov][83])

75. Indiveri, G., Linares-Barranco, B., Hamilton, T. J., Van Schaik, A., Etienne-Cummings, R., Delbrück, T., ... & Boahen, K. (2011). Neuromorphic silicon neuron circuits. *Frontiers in Neuroscience*, 5, 73.  
    [https://doi.org/10.3389/fnins.2011.00073](https://doi.org/10.3389/fnins.2011.00073) ([pubmed.ncbi.nlm.nih.gov][84])

76. Iqbal, K., Liu, F., Gong, C. X., Alonso, A. D. C., & Grundke‑Iqbal, I. (2009). Mechanisms of tau‑induced neurodegeneration. *Acta Neuropathologica*, 118(1), 53–69.  
    [https://doi.org/10.1007/s00401-009-0486-3](https://doi.org/10.1007/s00401-009-0486-3) ([pubmed.ncbi.nlm.nih.gov][85])

77. Izhikevich, E. M. (2007). *Dynamical systems in neuroscience: The geometry of excitability and bursting*. MIT Press.  
    [https://mitpress.mit.edu/9780262514200/dynamical-systems-in-neuroscience/](https://mitpress.mit.edu/9780262514200/dynamical-systems-in-neuroscience/) ([mitpress.mit.edu][86])

78. Jaeger, H. (2001). The “echo state” approach to analysing and training recurrent neural networks – with an erratum note. *GMD Technical Report* 148(34), 13.  
    [https://www.researchgate.net/publication/215385037_The_echo_state_approach_to_analysing_and_training_recurrent_neural_networks-with_an_erratum_note'](https://www.researchgate.net/publication/215385037_The_echo_state_approach_to_analysing_and_training_recurrent_neural_networks-with_an_erratum_note') ([bibsonomy.org][87])

79. Jiruska, P., de Curtis, M., Jefferys, J. G. R., Schevon, C. A., Schiff, S. J., & Schindler, K. (2013). Synchronization and desynchronization in epilepsy: Controversies and hypotheses. *Journal of Physiology*, 591(4), 787–797.  
    [https://doi.org/10.1113/jphysiol.2012.239590](https://doi.org/10.1113/jphysiol.2012.239590) ([pure.psu.edu][88])

80. Jun, J. J., Steinmetz, N. A., Siegle, J. H., Denman, D. J., Bauza, M., Barbarits, B., … & Harris, T. D. (2017). Fully integrated silicon probes for high‑density recording of neural activity. *Nature*, 551(7679), 232–236.  
    [https://doi.org/10.1038/nature24636](https://doi.org/10.1038/nature24636) ([pubmed.ncbi.nlm.nih.gov][89])

81. Kandel, E. R., Schwartz, J. H., & Jessell, T. M. (2000). *Principles of Neural Science* (4th ed.). McGraw‑Hill.  
    [https://books.google.com/books/about/Principles\_of\_Neural\_Science\_Fourth\_Edit.html?id=yMtpAAAAMAAJ](https://books.google.com/books/about/Principles_of_Neural_Science_Fourth_Edit.html?id=yMtpAAAAMAAJ) ([books.google.com][90])

82. Kaneko, K., & Tsuda, I. (2003). Chaotic itinerancy. *Physics Reports*, 372(1), 1–102.  
    [https://doi.org/10.1063/1.1607783](https://doi.org/10.1063/1.1607783) https://www.researchgate.net/profile/Kunihiko-Kaneko-2/publication/10591415_Chaotic_Itinerancy/links/0deec530e4c52bfb7f000000/Chaotic-Itinerancy.pdf

83. Kauffman, S. A. (1993). *The origins of order: Self‑organization and selection in evolution*. Oxford University Press.  
    [https://global.oup.com/academic/product/the-origins-of-order-9780195079517](https://global.oup.com/academic/product/the-origins-of-order-9780195079517)

84. Kelso, J. A. S. (2012). Multistability and metastability: Understanding dynamic coordination in the brain. *Philosophical Transactions of the Royal Society B*, 367(1591), 906–918.  
    [https://doi.org/10.1098/rstb.2011.0351](https://doi.org/10.1098/rstb.2011.0351)

85. Kennedy, M. P., & Chua, L. O. (1988). Neural networks for nonlinear programming. *IEEE Transactions on Circuits and Systems*, 35(5), 554–562.  
    [https://doi.org/10.1109/31.1783](https://doi.org/10.1109/31.1783)

[90]: https://books.google.com/books/about/Principles_of_Neural_Science_Fourth_Edit.html?id=yMtpAAAAMAAJ "Principles of Neural Science, Fourth Edition - Google Books"

86. Klapoetke, N. C., Murata, Y., Kim, S. S., Pulver, S. R., Birdsey‑Benson, A., Cho, Y. K., … & Boyden, E. S. (2014). Independent optical excitation of distinct neural populations. *Nature Methods*, 11(3), 338–346.  
    [https://www.nature.com/articles/nmeth.2836](https://www.nature.com/articles/nmeth.2836) ([nature.com][91])

87. Kosko, B. (1988). Bidirectional associative memories. *IEEE Transactions on Systems, Man, and Cybernetics*, 18(1), 49–60.  
    [https://doi.org/10.1109/21.87054](https://doi.org/10.1109/21.87054) ([dl.acm.org][92])

88. Krakauer, J. W. (2006). Motor learning: its relevance to stroke recovery and neurorehabilitation. *Current Opinion in Neurology*, 19(1), 84–90.  
    [https://doi.org/10.1097/01.WCO.0000200544.29915.CC](https://doi.org/10.1097/01.WCO.0000200544.29915.CC) ([neurotree.org][93])

89. Kramers, H. A. (1940). Brownian motion in a field of force and the diffusion model of chemical reactions. *Physica*, 7(4), 284–304.  
    [https://doi.org/10.1016/S0031-8914(40)90098-2](https://doi.org/10.1016/S0031-8914%2840%2990098-2) ([scirp.org][94])

90. Kringelbach, M. L., Jenkinson, N., Owen, S. L. F., & Aziz, T. Z. (2007). Translational principles of deep brain stimulation. *Nature Reviews Neuroscience*, 8(8), 623–635.  
    [https://www.nature.com/articles/nrn2196](https://www.nature.com/articles/nrn2196) ([nature.com][95])

91. Krook‑Magnuson, E., Armstrong, C., Oijala, M., & Soltesz, I. (2013). On‑demand optogenetic control of spontaneous seizures in temporal lobe epilepsy. *Nature Communications*, 4(1), 1–8.  
    [https://doi.org/10.1038/ncomms2376](https://doi.org/10.1038/ncomms2376) ([pubmed.ncbi.nlm.nih.gov][96])

92. Lancaster, M. A., Renner, M., Martin, C. A., Wenzel, D., Bicknell, L. S., Hurles, M. E., … & Knoblich, J. A. (2013). Cerebral organoids model human brain development and microcephaly. *Nature*, 501(7467), 373–379.  
    [https://doi.org/10.1038/nature12517](https://doi.org/10.1038/nature12517) ([research.ed.ac.uk][97])

93. Lisman, J. E. (1999). Relating hippocampal circuitry to function: recall of memory sequences by reciprocal dentate–CA3 interactions. *Neuron*, 22(2), 233–242.  
    [https://doi.org/10.1016/S0896-6273(00)81085-5](https://doi.org/10.1016/S0896-6273%2800%2981085-5) ([pubmed.ncbi.nlm.nih.gov][98])

94. Llinás, R. R. (1988). The intrinsic electrophysiological properties of mammalian neurons: insights into central nervous system function. *Science*, 242(4886), 1654–1664.  
    [https://www.science.org/doi/10.1126/science.3059497](https://www.science.org/doi/10.1126/science.3059497) ([scispace.com][99], [science.org][100])

95. Loewenstein, Y., Mahon, S., Chadderton, P., Kitamura, K., Sompolinsky, H., Yarom, Y., & Häusser, M. (2005). Bistability of cerebellar Purkinje cells modulated by sensory stimulation. *Nature Neuroscience*, 8(2), 202–211.  
    [https://doi.org/10.1038/nn1393](https://doi.org/10.1038/nn1393) ([openurl.ebsco.com][101])

96. Lytton, W. W. (2008). Computer modelling of epilepsy. *Nature Reviews Neuroscience*, 9(8), 626–637.  
    [https://doi.org/10.1038/nrn2416](https://doi.org/10.1038/nrn2416) ([nature.com][102], [pubmed.ncbi.nlm.nih.gov][103])

97. Ma, W. J., Beck, J. M., Latham, P. E., & Pouget, A. (2006). Bayesian inference with probabilistic population codes. *Nature Neuroscience*, 9(11), 1432–1438.  
    [https://doi.org/10.1038/nn1790](https://doi.org/10.1038/nn1790) ([nature.com][104], [pubmed.ncbi.nlm.nih.gov][105])

98. Maass, W., Natschläger, T., & Markram, H. (2002). Real‑time computing without stable states: a new framework for neural computation based on perturbations. *Neural Computation*, 14(11), 2531–2560.  
    [https://doi.org/10.1162/089976602760407955](https://doi.org/10.1162/089976602760407955) ([pubmed.ncbi.nlm.nih.gov][106])

99. Marder, E., & Bucher, D. (2001). Central pattern generators and the control of rhythmic movements. *Current Biology*, 11(23), R986–R996.  
    [https://doi.org/10.1016/S0960-9822(01)00581-4](https://doi.org/10.1016/S0960-9822%2801%2900581-4) ([pubmed.ncbi.nlm.nih.gov][107])

100. Mayberg, H. S. (2003). Modulating dysfunctional limbic‑cortical circuits in depression: towards development of brain‑based algorithms for diagnosis and optimised treatment. *British Medical Bulletin*, 65(1), 193–207.  
     [https://doi.org/10.1093/bmb/65.1.193](https://doi.org/10.1093/bmb/65.1.193) ([pubmed.ncbi.nlm.nih.gov][108])

101. Mongillo, G., Barak, O., & Tsodyks, M. (2008). Synaptic theory of working memory. *Science*, 319(5869), 1543–1546.  
     [https://www.science.org/doi/10.1126/science.1150769](https://www.science.org/doi/10.1126/science.1150769) ([science.org][109], [pubmed.ncbi.nlm.nih.gov][110])

102. Mountcastle, V. B. (1997). The columnar organization of the neocortex. *Brain*, 120(4), 701–722.  
     [https://doi.org/10.1093/brain/120.4.701](https://doi.org/10.1093/brain/120.4.701) ([pubmed.ncbi.nlm.nih.gov][111])

103. Mulder, M. J., Wagenmakers, E. J., Ratcliff, R., Boekel, W., & Forstmann, B. U. (2012). Bias in the brain: a diffusion model analysis of prior probability and potential payoff. *Journal of Neuroscience*, 32(7), 2335–2343.  
     [https://www.jneurosci.org/content/32/7/2335](https://www.jneurosci.org/content/32/7/2335) ([pubmed.ncbi.nlm.nih.gov][112], [jneurosci.org][113])

104. Newman, M. E. J. (2006). Modularity and community structure in networks. *Proceedings of the National Academy of Sciences*, 103(23), 8577–8582.  
     [https://www.pnas.org/doi/10.1073/pnas.0601602103](https://www.pnas.org/doi/10.1073/pnas.0601602103) ([pnas.org][114])

105. Nicolelis, M. A., Dimitrov, D., Carmena, J. M., Crist, R., Lehew, G., Kralik, J. D., & Wise, S. P. (2003). Chronic, multisite, multielectrode recordings in macaque monkeys. *Proceedings of the National Academy of Sciences*, 100(19), 11041–11046.  
     [https://www.pnas.org/doi/10.1073/pnas.1934665100](https://www.pnas.org/doi/10.1073/pnas.1934665100) ([pnas.org][115])

106. Ott, E. (2002). *Chaos in dynamical systems* (2nd ed.). Cambridge University Press.  
     [https://doi.org/10.1017/CBO9780511803260](https://doi.org/10.1017/CBO9780511803260) ([cambridge.org][116], [cambridge.org][117]), ([ui.adsabs.harvard.edu][118]), ([scirp.org][119]), ([amazon.com][120]), ([researchgate.net][121])

107. Packer, A. M., Russell, L. E., Dalgleish, H. W., & Häusser, M. (2015). Simultaneous all‑optical manipulation and recording of neural circuit activity with cellular resolution in vivo. *Nature Methods*, 12(2), 140–146.  
     [https://doi.org/10.1038/nmeth.3217](https://doi.org/10.1038/nmeth.3217) 

108. Palop, J. J., & Mucke, L. (2010). Amyloid‑β–induced neuronal dysfunction in Alzheimer's disease: from synapses toward neural networks. *Nature Neuroscience*, 13(7), 812–818.  
     [https://doi.org/10.1038/nn.2583](https://doi.org/10.1038/nn.2583) 

109. Pandarinath, C., O’Shea, D. J., Collins, J., Jozefowicz, R., Stavisky, S. D., Kao, J. C., … & Sussillo, D. (2018). Inferring single‑trial neural population dynamics using sequential auto‑encoders. *Nature Methods*, 15(10), 805–815.  
     [https://doi.org/10.1038/s41592-018-0109-9](https://doi.org/10.1038/s41592-018-0109-9) 

110. Poolos, N. P., Migliore, M., & Johnston, D. (2002). Pharmacological upregulation of h‑channels reduces the excitability of pyramidal neuron dendrites. *Nature Neuroscience*, 5(8), 767–774.  
     [https://doi.org/10.1038/nn876](https://doi.org/10.1038/nn876) 

111. Rabinovich, M. I., Huerta, R., & Laurent, G. (2008). Neuroscience: transient dynamics for neural processing. *Science*, 321(5885), 48–50.  
 [https://doi.org/10.1126/science.1155564](https://doi.org/10.1126/science.1155564) ([science.org][122], [pubmed.ncbi.nlm.nih.gov][123])

112. Rabinovich, M. I., Huerta, R., Varona, P., & Afraimovich, V. S. (2008). Transient cognitive dynamics, metastability, and decision making. *PLoS Computational Biology*, 4(5), e1000072.  
 [https://doi.org/10.1371/journal.pcbi.1000072](https://doi.org/10.1371/journal.pcbi.1000072) ([journals.plos.org][124], [journals.plos.org][125])

113. Rabinovich, M. I., Varona, P., Selverston, A. I., & Abarbanel, H. D. (2006). Dynamical principles in neuroscience. *Reviews of Modern Physics*, 78(4), 1213–1265.  
 [https://doi.org/10.1103/RevModPhys.78.1213](https://doi.org/10.1103/RevModPhys.78.1213) ([link.aps.org][126], [repositorio.uam.es][127])

114. Raichle, M. E., MacLeod, A. M., Snyder, A. Z., Powers, W. J., Gusnard, D. A., & Shulman, G. L. (2001). A default mode of brain function. *Proceedings of the National Academy of Sciences*, 98(2), 676–682.  
 [https://doi.org/10.1073/pnas.98.2.676](https://doi.org/10.1073/pnas.98.2.676) ([pnas.org][128], [researchgate.net][129])

115. Ratcliff, R., & McKoon, G. (2008). The diffusion decision model: theory and data for two‑choice decision tasks. *Neural Computation*, 20(4), 873–922.  
 [https://doi.org/10.1162/neco.2008.12-06-420](https://doi.org/10.1162/neco.2008.12-06-420) ([pubmed.ncbi.nlm.nih.gov][130], [direct.mit.edu][131])

116. Reardon, S. (2016). ‘Brain doping’ may improve athletes’ performance. *Nature*, 531(7594), 283–284.  
     [https://doi.org/10.1038/nature.2016.19534](https://doi.org/10.1038/nature.2016.19534) ([pubmed.ncbi.nlm.nih.gov][132])

117. Redgrave, P., Prescott, T. J., & Gurney, K. (1999). The basal ganglia: a vertebrate solution to the selection problem? *Neuroscience*, 89(4), 1009–1023.  
     [https://doi.org/10.1016/S0306-4522(98)00319-4](https://doi.org/10.1016/S0306-4522%2898%2900319-4) ([sciencedirect.com][133])

118. Rolls, E. T. (2012). Invariant visual object and face recognition: neural and computational bases, and a model, VisNet. *Frontiers in Computational Neuroscience*, 6, 35.  
     [https://doi.org/10.3389/fncom.2012.00035](https://doi.org/10.3389/fncom.2012.00035) ([frontiersin.org][134])

119. Rolls, E. T., Loh, M., Deco, G., & Winterer, G. (2008). Computational models of schizophrenia and dopamine modulation in the prefrontal cortex. *Nature Reviews Neuroscience*, 9(9), 696–709.  
     [https://doi.org/10.1038/nrn2462](https://doi.org/10.1038/nrn2462) ([nature.com][135])

120. Sakmann, B., & Neher, E. (Eds.). (1995). *Single‑channel recording* (2nd ed.). Springer Science+Business Media.  
     [https://doi.org/10.1007/978-1-4419-1229-9](https://doi.org/10.1007/978-1-4419-1229-9) ([link.springer.com][136])

121. Samsonovich, A., & McNaughton, B. L. (1997). Path integration and cognitive mapping in a continuous attractor neural network model. *Journal of Neuroscience*, 17(15), 5900–5920.  
     [https://www.jneurosci.org/content/17/15/5900](https://www.jneurosci.org/content/17/15/5900) ([jneurosci.org][137])

122. Schultz, W. (2002). Getting formal with dopamine and reward. *Neuron*, 36(2), 241–263.  
     [https://doi.org/10.1016/S0896-6273(02)00967-4](https://doi.org/10.1016/S0896-6273%2802%2900967-4) ([pubmed.ncbi.nlm.nih.gov][138])

123. Seeley, W. W., Menon, V., Schatzberg, A. F., Keller, J., Glover, G. H., Kenna, H., … & Greicius, M. D. (2007). Dissociable intrinsic connectivity networks for salience processing and executive control. *Journal of Neuroscience*, 27(9), 2349–2356.  
     [https://doi.org/10.1523/JNEUROSCI.5587-06.2007](https://doi.org/10.1523/JNEUROSCI.5587-06.2007) ([pubmed.ncbi.nlm.nih.gov][139])

124. Seifert, U. (2012). Stochastic thermodynamics, fluctuation theorems and molecular machines. *Reports on Progress in Physics*, 75(12), 126001.  
     [https://doi.org/10.1088/0034-4885/75/12/126001](https://doi.org/10.1088/0034-4885/75/12/126001) ([arxiv.org][140])

125. Selkoe, D. J. (2002). Alzheimer's disease is a synaptic failure. *Science*, 298(5594), 789–791.  
     [https://doi.org/10.1126/science.1074069](https://doi.org/10.1126/science.1074069) ([pubmed.ncbi.nlm.nih.gov][141])

126. Shil’nikov, L. P., Shil’nikov, A. L., Turaev, D. V., & Chua, L. O. (2001). *Methods of qualitative theory in nonlinear dynamics*. World Scientific.  
     [https://books.google.com/books/about/Methods\_of\_Qualitative\_Theory\_in\_Nonline.html?id=wT5kDQAAQBAJ](https://books.google.com/books/about/Methods_of_Qualitative_Theory_in_Nonline.html?id=wT5kDQAAQBAJ) ([books.google.com][142])

127. Skarda, C. A., & Freeman, W. J. (1987). How brains make chaos in order to make sense of the world. *Behavioral and Brain Sciences*, 10(2), 161–173.  
     [https://www.cambridge.org/core/journals/behavioral-and-brain-sciences/article/how-brains-make-chaos-in-order-to-make-sense-of-the-world/3811D1F3B8203EFE80CAF7449D0792DF](https://www.cambridge.org/core/journals/behavioral-and-brain-sciences/article/how-brains-make-chaos-in-order-to-make-sense-of-the-world/3811D1F3B8203EFE80CAF7449D0792DF) ([cambridge.org][143])

128. Staley, K. (2015). Molecular mechanisms of epilepsy. *Nature Neuroscience*, 18(3), 367–372.  
     [https://pubmed.ncbi.nlm.nih.gov/25710839/](https://pubmed.ncbi.nlm.nih.gov/25710839/) ([pubmed.ncbi.nlm.nih.gov][144], [pmc.ncbi.nlm.nih.gov][145])

129. Steriade, M. (2003). The corticothalamic system in sleep. *Frontiers in Bioscience*, 8, d878–d899.  
     [https://doi.org/10.2741/1043](https://doi.org/10.2741/1043) ([pubmed.ncbi.nlm.nih.gov][146], [scirp.org][147])

130. Steriade, M., McCormick, D. A., & Sejnowski, T. J. (1993). Thalamocortical oscillations in the sleeping and aroused brain. *Science*, 262(5134), 679–685.  
     [https://doi.org/10.1126/science.8235588](https://doi.org/10.1126/science.8235588) ([science.org][148], [researchgate.net][149])

131. Strogatz, S. H. (2014). *Nonlinear dynamics and chaos: with applications to physics, biology, chemistry, and engineering*. Westview Press.  
     [https://api.pageplace.de/preview/DT0400.9780429676284_A47770267/preview-9780429676284_A47770267.pdf](https://api.pageplace.de/preview/DT0400.9780429676284_A47770267/preview-9780429676284_A47770267.pdf)

132. Sulis, W. (2009). Driven cellular automata, adaptation, and the binding problem. *Chaos*, 19(1), 015114.  
     [https://www.academia.edu/98664295/Driven_cellular_automata_adaptation_and_the_binding_problem](https://www.academia.edu/98664295/Driven_cellular_automata_adaptation_and_the_binding_problem)

133. Sussillo, D., Nuyujukian, P., Fan, J. M., Kao, J. C., Stavisky, S. D., Ryu, S., & Shenoy, K. V. (2012). A recurrent neural network for closed-loop intracortical brain–machine interface decoders. *Journal of Neural Engineering*, 9(2), 026027.  
     [https://doi.org/10.1088/1741-2560/9/2/026027](https://doi.org/10.1088/1741-2560/9/2/026027)

134. Sutula, T., Cascino, G., Cavazos, J., Parada, I., & Ramirez, L. (1989). Mossy fiber synaptic reorganization in the epileptic human temporal lobe. *Annals of Neurology*, 26(3), 321–330.  
     [https://doi.org/10.1002/ana.410260303](https://doi.org/10.1002/ana.410260303)

135. Svoboda, K., & Yasuda, R. (2006). Principles of two-photon excitation microscopy and its applications to neuroscience. *Neuron*, 50(6), 823–839.  
     [https://doi.org/10.1016/j.neuron.2006.05.019](https://doi.org/10.1016/j.neuron.2006.05.019)

136. Tank, D. W., & Hopfield, J. J. (1986). Simple ‘neural’ optimization networks: an A/D converter, signal decision circuit, and a linear programming circuit. *IEEE Transactions on Circuits and Systems*, 33(5), 533–541.  
     [https://doi.org/10.1109/tcs.1986.1085953](https://doi.org/10.1109/tcs.1986.1085953) ([collaborate.princeton.edu][150])

137. Trinka, E., Cock, H., Hesdorffer, D., Rossetti, A. O., Scheffer, I. E., Shinnar, S., … & Lowenstein, D. H. (2015). A definition and classification of status epilepticus–report of the ILAE Task Force on Classification of Status Epilepticus. *Epilepsia*, 56(10), 1515–1523.  
     [https://doi.org/10.1111/epi.13121](https://doi.org/10.1111/epi.13121) ([pubmed.ncbi.nlm.nih.gov][151])

138. Tsuda, I. (2001). Toward an interpretation of dynamic neural activity in terms of chaotic dynamical systems. *Behavioral and Brain Sciences*, 24(5), 793–810.  
     [https://doi.org/10.1017/S0140525X01000097](https://doi.org/10.1017/S0140525X01000097) ([pubmed.ncbi.nlm.nih.gov][152])

139. Turrigiano, G. G., & Nelson, S. B. (2004). Homeostatic plasticity in the developing nervous system. *Nature Reviews Neuroscience*, 5(2), 97–107.  
     [https://doi.org/10.1038/nrn1327](https://doi.org/10.1038/nrn1327) ([pubmed.ncbi.nlm.nih.gov][153])

140. Usher, M., & McClelland, J. L. (2001). The time course of perceptual choice: the leaky, competing accumulator model. *Psychological Review*, 108(3), 550–592.  
     [https://doi.org/10.1037/0033-295X.108.3.550](https://doi.org/10.1037/0033-295X.108.3.550) ([pubmed.ncbi.nlm.nih.gov][154])

141. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., … & Polosukhin, I. (2017). Attention is all you need. *Advances in Neural Information Processing Systems*, 30, 5998–6008.  
     [https://arxiv.org/abs/1706.03762](https://arxiv.org/abs/1706.03762) ([arxiv.org][155], [papers.nips.cc][156])

142. Wolf, A., Swift, J. B., Swinney, H. L., & Vastano, J. A. (1985). Determining Lyapunov exponents from a time series. *Physica D: Nonlinear Phenomena*, 16(3), 285–317.  
     [http://dx.doi.org/10.1016/0167-2789(85)90011-9](http://dx.doi.org/10.1016/0167-2789%2885%2990011-9) ([scirp.org][157])

143. Wong, K. F., & Wang, X. J. (2006). A recurrent network mechanism of time integration in perceptual decisions. *Journal of Neuroscience*, 26(4), 1314–1328.  
     [https://doi.org/10.1523/JNEUROSCI.3733-05.2006](https://doi.org/10.1523/JNEUROSCI.3733-05.2006) ([nyuscholars.nyu.edu][158])

144. Yamins, D. L., & DiCarlo, J. J. (2016). Using goal-driven deep learning models to understand sensory cortex. *Nature Neuroscience*, 19(3), 356–365.  
     [https://doi.org/10.1038/nn.4244](https://doi.org/10.1038/nn.4244) ([nature.com][159])

145. Ermentrout, B. (1998). Neural networks as spatio‑temporal pattern‑forming systems. *Reports on Progress in Physics*, 61(4), 353–430.
     [https://doi.org/10.1088/0034-4885/61/4/002](https://doi.org/10.1088/0034-4885/61/4/002) ([colorado.edu][160], [ui.adsabs.harvard.edu][161])

146. Mulder, M. J., & van Maanen, L. (2013). Are accuracy and reaction time affected via different processes? *PLOS ONE*, 8(11), e80222.
     [https://doi.org/10.1371/journal.pone.0080222](https://doi.org/10.1371/journal.pone.0080222) ([journals.plos.org][162])

[1]: https://www.nature.com/articles/nmeth.2434 "Whole-brain functional imaging at cellular resolution using light ..."
[2]: https://pubmed.ncbi.nlm.nih.gov/19186162/ "Computational influence of adult neurogenesis on memory encoding - PubMed"
[3]: https://link.aps.org/doi/10.1103/PhysRevLett.55.1530 "Storing Infinite Numbers of Patterns in a Spin-Glass Model of Neural ..."
[4]: https://link.springer.com/book/10.1007/978-4-431-55978-8 "Information Geometry and Its Applications - SpringerLink"
[5]: https://pubmed.ncbi.nlm.nih.gov/16186014/ "Global workspace theory of consciousness: toward a cognitive ..."
[6]: https://www.pnas.org/doi/10.1073/pnas.83.10.3513 "Low-dimensional chaos in an instance of epilepsy. | PNAS"
[7]: https://arxiv.org/abs/1409.0473v1 "[1409.0473v1] Neural Machine Translation by Jointly Learning to Align and Translate"
[8]: https://psychiatryonline.org/doi/full/10.1176/appi.ajp.2008.08050721 "The Evolution of the Cognitive Model of Depression and Its Neurobiological Correlates | American Journal of Psychiatry"
[9]: https://pmc.ncbi.nlm.nih.gov/articles/PMC6741045/ "Neuronal Avalanches in Neocortical Circuits - PMC"
[10]: https://oro.open.ac.uk/34884/ "Open Research Online"
[11]: https://pubmed.ncbi.nlm.nih.gov/12220881/ "oscillations in the subthalamic nucleus-external globus pallidus ..."
[12]: https://pubmed.ncbi.nlm.nih.gov/11283308/ "Synaptic modification by correlated activity: Hebb's postulate revisited"
[13]: https://pubmed.ncbi.nlm.nih.gov/12620157/ "Synchronization in networks of excitatory and inhibitory neurons with ..."
[14]: https://pmc.ncbi.nlm.nih.gov/articles/PMC3155186/ "A history of optogenetics: the development of tools for controlling ..."
[15]: https://www.nature.com/articles/nn1525 "Millisecond-timescale, genetically targeted optical control of neural ..."
[16]: https://link.springer.com/article/10.1023/A%3A1008925309027 "Dynamics of Sparsely Connected Networks of Excitatory and ..."
[17]: https://pubmed.ncbi.nlm.nih.gov/10809012/ "Dynamics of sparsely connected networks of excitatory ... - PubMed"
[18]: https://link.springer.com/article/10.1023/A%3A1011204814320 "Effects of Neuromodulation in a Cortical Network Model of Object ..."
[19]: https://www.scirp.org/reference/referencespapers?referenceid=2982359 "Brunel, N. and Wang, X.J. (2001) Effects of Neuromodulation in a ..."
[20]: https://pubmed.ncbi.nlm.nih.gov/16120771/ "evidence for a relationship between default activity, amyloid, and ..."
[21]: https://www.jneurosci.org/content/25/34/7709 "Evidence for a Relationship between Default Activity, Amyloid, and ..."
[22]: https://pubmed.ncbi.nlm.nih.gov/19190637/ "Complex brain networks: graph theoretical analysis of structural and ..."
[23]: https://www.scirp.org/reference/referencespapers?referenceid=2976482 "Bullmore, E. and Sporns, O. (2009) Complex Brain Networks Graph ..."
[24]: https://pubmed.ncbi.nlm.nih.gov/18802001/ "Clusters of hyperactive neurons near amyloid plaques in a mouse ..."
[25]: https://www.periodicos.capes.gov.br/index.php/acervo/buscador.html?id=W2048685634&task=detalhes "Clusters of Hyperactive Neurons Near Amyloid Plaques in a Mouse ..."
[26]: https://pubmed.ncbi.nlm.nih.gov/11832222/ "Theta oscillations in the hippocampus - PubMed"
[27]: https://academic.oup.com/book/11166 "Rhythms of the Brain | Oxford Academic"
[28]: https://www.nature.com/articles/nrn3241 "The origin of extracellular fields and currents — EEG, ECoG, LFP ..."
[29]: https://www.scilit.com/publications/af83228a0a7922620f3a796fbf5a1431 "The functional role of cross-frequency coupling | Scilit"
[30]: https://www.nature.com/articles/nature12354 "Ultrasensitive fluorescent proteins for imaging neuronal activity"
[31]: https://www.nature.com/articles/nature11129 "Neural population dynamics during reaching - Nature"
[32]: https://pubmed.ncbi.nlm.nih.gov/30926291/ "Evidence-Based Cognitive Rehabilitation: Systematic Review of the ..."
[33]: https://www.nature.com/articles/nrn755 "Control of goal-directed and stimulus-driven attention in the brain"
[34]: https://pubmed.ncbi.nlm.nih.gov/30583945/ "Hallucinations and Strong Priors - PubMed"
[35]: https://pubmed.ncbi.nlm.nih.gov/11164621/ "Interictal spikes in focal epileptogenesis - PubMed"
[36]: https://www.scirp.org/reference/referencespapers?referenceid=3001021 "Deco, G. and Jirsa, V.K. (2012) Ongoing Cortical Activity at Rest ..."
[37]: https://pubmed.ncbi.nlm.nih.gov/25475184/ "Great expectations: using whole-brain computational connectomics ..."
[38]: https://pubmed.ncbi.nlm.nih.gov/21170073/ "Emerging concepts for the dynamical organization of resting-state ..."
[39]: https://www.nature.com/articles/s41598-017-03073-5 "The dynamics of resting fluctuations in the brain: metastability and its ..."
[40]: https://pubmed.ncbi.nlm.nih.gov/21521609/ "Experimental and theoretical approaches to conscious processing"
[41]: https://pubmed.ncbi.nlm.nih.gov/15217339/ "Neuronal circuits of the neocortex - PubMed"
[42]: https://www.annualreviews.org/content/journals/10.1146/annurev.neuro.27.070203.144152?crawler=true&mimetype=application%2Fpdf "NEURONAL CIRCUITS OF THE NEOCORTEX - Annual Reviews"
[43]: https://pubmed.ncbi.nlm.nih.gov/18704495/ "Brain structural and functional abnormalities in mood disorders"
[44]: https://pubmed.ncbi.nlm.nih.gov/27918562/ "Resting-state connectivity biomarkers define neurophysiological ..."
[45]: https://pubmed.ncbi.nlm.nih.gov/18620336/ "The dual-state theory of prefrontal cortex dopamine function with ..."
[46]: https://pubmed.ncbi.nlm.nih.gov/10712493/ "Dopamine-mediated stabilization of delay-period activity ... - PubMed"
[47]: https://link.springer.com/article/10.1007/BF00580998 "A thin slice preparation for patch clamp recordings from neurones of ..."
[48]: https://pubmed.ncbi.nlm.nih.gov/12432392/ "Graded persistent activity in entorhinal cortex neurons - PubMed"
[49]: https://www.nature.com/articles/35002125 "A synthetic oscillatory network of transcriptional regulators - Nature"
[50]: https://www.researchgate.net/publication/2493825_Neural_Networks_as_Spatio-Temporal_Pattern-Forming_Systems "(PDF) Neural Networks as Spatio-Temporal Pattern-Forming Systems"
[51]: https://link.springer.com/book/10.1007/978-0-387-87708-2 "Mathematical Foundations of Neuroscience - SpringerLink"
[52]: https://www.researchgate.net/publication/11790216_Is_there_chaos_in_the_brain_I_Concepts_of_nonlinear_dynamics_and_methods_of_investigation "Is there chaos in the brain? I. Concepts of nonlinear dynamics and ..."
[53]: https://pubmed.ncbi.nlm.nih.gov/11891111/ "Self-perpetuating states in signal transduction: positive feedback ..."
[54]: https://pubmed.ncbi.nlm.nih.gov/12779456/ "Bistability in cell signaling: How to make continuous processes ..."
[55]: https://www.researchgate.net/publication/276169154_Consciousness_as_a_phenomenon_in_the_operational_architectonics_of_brain_organization_Criticality_and_self-organization_considerations "(PDF) Consciousness as a phenomenon in the operational ..."
[56]: https://www.researchgate.net/publication/216637282_A_Set_of_Measures_of_Centrality_Based_on_Betweenness "A Set of Measures of Centrality Based on Betweenness"
[57]: https://pubmed.ncbi.nlm.nih.gov/2000483/ "The physiology of perception - PubMed"
[58]: https://link.springer.com/book/10.1007/978-1-4612-0611-8 "Random Perturbations of Dynamical Systems - SpringerLink"
[59]: https://pubmed.ncbi.nlm.nih.gov/7583624/ "Schizophrenia: a disconnection syndrome? - PubMed"
[60]: https://pubmed.ncbi.nlm.nih.gov/4998337/ "Neuron activity related to short-term memory - PubMed"
[61]: https://www.nature.com/articles/35002131 "Construction of a genetic toggle switch in Escherichia coli - Nature"
[62]: https://weizmann.elsevierpure.com/en/publications/miniaturized-integration-of-a-fluorescence-microscope "Miniaturized integration of a fluorescence microscope"
[63]: https://www.cambridge.org/core/books/biochemical-oscillations-and-cellular-rhythms/F47CCE61995A40AE650A527B4395D200 "Biochemical Oscillations and Cellular Rhythms"
[64]: https://www.goodhill.org/pub/goodhill07.pdf "[PDF] Review"
[65]: https://www.scirp.org/reference/referencespapers?referenceid=1239252 "Gotlib, I.H. and Joorman, J. (2010) Cognition and Depression ..."
[66]: https://www.sciencedirect.com/science/article/pii/0167278983902981 "Measuring the strangeness of strange attractors - ScienceDirect.com"
[67]: https://weizmann.elsevierpure.com/en/publications/measuring-the-strangeness-of-strange-attractors "Measuring the strangeness of strange attractors"
[68]: https://pubmed.ncbi.nlm.nih.gov/22405199/ "Imaging calcium in neurons - PubMed"
[69]: https://pubmed.ncbi.nlm.nih.gov/24125857/ "a review of cognitive and affective outcome in healthy participants"
[70]: https://link.springer.com/book/10.1007/978-1-4612-1140-2 "Nonlinear Oscillations, Dynamical Systems, and Bifurcations of ..."
[71]: https://journals.plos.org/plosone/article?id=10.1371%2Fjournal.pone.0000299 "Multiple-Color Optical Activation, Silencing, and Desynchronization ..."
[72]: https://books.google.com/books/about/The_Organization_of_Behavior.html?id=dZ0eDiLTwuEC "The Organization of Behavior: A Neuropsychological Theory"
[73]: https://www.nature.com/articles/nmeth818 "Deep tissue two-photon microscopy | Nature Methods"
[74]: https://pubmed.ncbi.nlm.nih.gov/25792098/ "Neuroinflammation in Alzheimer's disease - PubMed"
[75]: https://direct.mit.edu/neco/article/9/8/1735/6109/Long-Short-Term-Memory "Long Short-Term Memory | Neural Computation - MIT Press Direct"
[76]: https://www.nature.com/articles/nrn2699 "Experience-dependent structural synaptic plasticity in the ... - Nature"
[77]: https://www.pnas.org/doi/10.1073/pnas.79.8.2554 "Neural networks and physical systems with emergent collective ..."
[78]: https://www.researchgate.net/publication/19135224_Neural_Computation_of_Decisions_in_Optimization_Problems "Neural Computation of Decisions in Optimization Problems"
[79]: https://link.springer.com/article/10.1007/BF00339943 "“Neural” computation of decisions in optimization problems"
[80]: https://www.science.org/doi/10.1126/science.3755256 "Computing with Neural Circuits: A Model - Science"
[81]: https://pubmed.ncbi.nlm.nih.gov/3755256/ "Computing with neural circuits: a model - PubMed"
[82]: https://researchprofiles.ku.dk/en/publications/bistability-of-alphamotoneurones-in-the-decerebrate-cat-and-in-th "Bistability of alpha‐motoneurones in the decerebrate cat and in the ..."
[83]: https://pubmed.ncbi.nlm.nih.gov/10782127/ "Resonance, oscillation and the intrinsic frequency preferences of ..."
[84]: https://pubmed.ncbi.nlm.nih.gov/21747754/ "Neuromorphic silicon neuron circuits - PubMed"
[85]: https://pubmed.ncbi.nlm.nih.gov/19184068/ "Mechanisms of tau-induced neurodegeneration - PubMed"
[86]: https://mitpress.mit.edu/9780262514200/dynamical-systems-in-neuroscience/ "Dynamical Systems in Neuroscience - MIT Press"
[87]: https://www.bibsonomy.org/bibtex/23d434b04cf1479acf45be9af65f8bc78/idsia "The \"echo state\" approach to analysing and training recurrent neural ..."
[88]: https://pure.psu.edu/en/publications/synchronization-and-desynchronization-in-epilepsy-controversies-a "Synchronization and desynchronization in epilepsy: Controversies ..."
[89]: https://pubmed.ncbi.nlm.nih.gov/29120427/ "Fully integrated silicon probes for high-density recording of neural ..."
[91]: https://www.nature.com/articles/nmeth.2836 "Independent optical excitation of distinct neural populations - Nature"
[92]: https://dl.acm.org/doi/10.1109/21.87054 "Bidirectional associative memories | IEEE Transactions on Systems ..."
[93]: https://neurotree.org/beta/publications.php?pid=17640 "John W. Krakauer, MD - Publications - Neurotree"
[94]: https://www.scirp.org/reference/referencespapers?referenceid=3022778 "Kramers, H. (1940). Brownian Motion in a Field of Force and the ..."
[95]: https://www.nature.com/articles/nrn2196 "Translational principles of deep brain stimulation - Nature"
[96]: https://pubmed.ncbi.nlm.nih.gov/23340416/ "On-demand optogenetic control of spontaneous seizures ... - PubMed"
[97]: https://www.research.ed.ac.uk/en/publications/cerebral-organoids-model-human-brain-development-and-microcephaly "Cerebral organoids model human brain development and ..."
[98]: https://pubmed.ncbi.nlm.nih.gov/10069330/ "recall of memory sequences by reciprocal dentate-CA3 interactions"
[99]: https://scispace.com/papers/the-intrinsic-electrophysiological-properties-of-mammalian-2zw8jrsxyf "The intrinsic electrophysiological properties of mammalian neurons"
[100]: https://www.science.org/doi/10.1126/science.3059497 "The Intrinsic Electrophysiological Properties of Mammalian Neurons"
[101]: https://openurl.ebsco.com/c/d2o34b/openurl?doi=10.1038%2Fnn1393&epage=211&genre=article&issn=1097-6256&issue=2&prompt=true&sid=Primo&spage=202&title=Nature+neuroscience.&volume=8 "Bistability of cerebellar Purkinje cells modulated by sensory ... - Ebsco"
[102]: https://www.nature.com/articles/nrn2416 "Computer modelling of epilepsy | Nature Reviews Neuroscience"
[103]: https://pubmed.ncbi.nlm.nih.gov/18594562/ "Computer modelling of epilepsy - PubMed"
[104]: https://www.nature.com/articles/nn1790 "Bayesian inference with probabilistic population codes - Nature"
[105]: https://pubmed.ncbi.nlm.nih.gov/17057707/ "Bayesian inference with probabilistic population codes - PubMed"
[106]: https://pubmed.ncbi.nlm.nih.gov/12433288/ "a new framework for neural computation based on perturbations"
[107]: https://pubmed.ncbi.nlm.nih.gov/11728329/ "Central pattern generators and the control of rhythmic movements"
[108]: https://pubmed.ncbi.nlm.nih.gov/12697626/ "Modulating dysfunctional limbic-cortical circuits in depression"
[109]: https://www.science.org/doi/10.1126/science.1150769 "Synaptic Theory of Working Memory | Science"
[110]: https://pubmed.ncbi.nlm.nih.gov/18339943/ "Synaptic theory of working memory - PubMed"
[111]: https://pubmed.ncbi.nlm.nih.gov/9153131/ "The columnar organization of the neocortex - PubMed"
[112]: https://pubmed.ncbi.nlm.nih.gov/22396408/ "Bias in the brain: a diffusion model analysis of prior probability and ..."
[113]: https://www.jneurosci.org/content/32/7/2335 "Bias in the Brain: A Diffusion Model Analysis of Prior Probability and ..."
[114]: https://www.pnas.org/doi/10.1073/pnas.0601602103 "Modularity and community structure in networks - PNAS"
[115]: https://www.pnas.org/doi/10.1073/pnas.1934665100 "Chronic, multisite, multielectrode recordings in macaque monkeys"
[116]: https://www.cambridge.org/core/books/chaos-in-dynamical-systems/7A0749AE3FBBF4312A54D7573C2DAAB5 "Chaos in Dynamical Systems - Cambridge University Press"
[117]: https://www.cambridge.org/core/books/chaos-in-dynamical-systems/contents/80CBE2F10E674CCA58E34B32B24F61E0 "Contents - Chaos in Dynamical Systems"
[118]: https://ui.adsabs.harvard.edu/abs/2002cds..book.....O "Chaos in Dynamical Systems - 2nd Edition - ADS"
[119]: https://www.scirp.org/reference/referencespapers?referenceid=3078651 "Ott, E. (2002) Chaos in Dynamical Systems. 2nd Edition, Cambridge ..."
[120]: https://www.amazon.com/Chaos-Dynamical-Systems-Edward-Ott/dp/0521010845 "Chaos in Dynamical Systems: Ott, Edward: 9780521010849 - Amazon"
[121]: https://www.researchgate.net/publication/241274670_Chaos_in_Dynamical_Systems_-_2nd_Edition "Chaos in Dynamical Systems - 2nd Edition - ResearchGate"
[122]: https://www.science.org/doi/10.1126/science.1155564 "Transient Dynamics for Neural Processing - Science"
[123]: https://pubmed.ncbi.nlm.nih.gov/18599763/ "Neuroscience. Transient dynamics for neural processing - PubMed"
[124]: https://journals.plos.org/ploscompbiol/article?id=10.1371%2Fjournal.pcbi.1000072 "Transient Cognitive Dynamics, Metastability, and Decision Making"
[125]: https://journals.plos.org/ploscompbiol/article/citation?id=10.1371%2Fjournal.pcbi.1000072 "Download Citation - PLOS Computational Biology"
[126]: https://link.aps.org/doi/10.1103/RevModPhys.78.1213 "Dynamical principles in neuroscience | Rev. Mod. Phys."
[127]: https://repositorio.uam.es/bitstream/10486/662721/1/dynamical_rabinovich_RMP_2006.pdf "[PDF] Dynamical principles in neuroscience"
[128]: https://www.pnas.org/doi/10.1073/pnas.98.2.676 "A default mode of brain function - PNAS"
[129]: https://www.researchgate.net/publication/12122387_A_default_mode_of_brain_function "(PDF) A default mode of brain function - ResearchGate"
[130]: https://pubmed.ncbi.nlm.nih.gov/18085991/ "The diffusion decision model: theory and data for two ... - PubMed"
[131]: https://direct.mit.edu/neco/article/20/4/873/7299/The-Diffusion-Decision-Model-Theory-and-Data-for "The Diffusion Decision Model: Theory and Data for Two-Choice ..."
[132]: https://pubmed.ncbi.nlm.nih.gov/26983516/ "'Brain doping' may improve athletes' performance - PubMed"
[133]: https://www.sciencedirect.com/science/article/pii/S0306452298003194 "The basal ganglia: a vertebrate solution to the selection problem?"
[134]: https://www.frontiersin.org/journals/computational-neuroscience/articles/10.3389/fncom.2012.00035/full "Invariant Visual Object and Face Recognition: Neural and ... - Frontiers"
[135]: https://www.nature.com/articles/nrn2462 "Computational models of schizophrenia and dopamine modulation ..."
[136]: https://link.springer.com/book/10.1007/978-1-4419-1229-9 "Single-Channel Recording | SpringerLink"
[137]: https://www.jneurosci.org/content/17/15/5900 "Path Integration and Cognitive Mapping in a Continuous Attractor ..."
[138]: https://pubmed.ncbi.nlm.nih.gov/12383780/ "Getting formal with dopamine and reward - PubMed"
[139]: https://pubmed.ncbi.nlm.nih.gov/17329432/ "Dissociable intrinsic connectivity networks for salience ... - PubMed"
[140]: https://arxiv.org/abs/1205.4176 "Stochastic thermodynamics, fluctuation theorems, and molecular machines"
[141]: https://pubmed.ncbi.nlm.nih.gov/12399581/ "Alzheimer's disease is a synaptic failure - PubMed"
[142]: https://books.google.com/books/about/Methods_of_Qualitative_Theory_in_Nonline.html?id=wT5kDQAAQBAJ "Methods of Qualitative Theory in Nonlinear Dynamics - L. P. Shil'nikov"
[143]: https://www.cambridge.org/core/journals/behavioral-and-brain-sciences/article/how-brains-make-chaos-in-order-to-make-sense-of-the-world/3811D1F3B8203EFE80CAF7449D0792DF "How brains make chaos in order to make sense of the world"
[144]: https://pubmed.ncbi.nlm.nih.gov/25710839/ "Molecular mechanisms of epilepsy - PubMed"
[145]: https://pmc.ncbi.nlm.nih.gov/articles/PMC4409128/ "Molecular mechanisms of epilepsy - PMC"
[146]: https://pubmed.ncbi.nlm.nih.gov/12700074/ "The corticothalamic system in sleep - PubMed"
[147]: https://www.scirp.org/reference/referencespapers?referenceid=2350753 "Steriade, M. (2003) The Corticothalamic System in Sleep. Frontiers ..."
[148]: https://www.science.org/doi/10.1126/science.8235588 "Thalamocortical Oscillations in the Sleeping and Aroused Brain"
[149]: https://www.researchgate.net/publication/14962878_Steriade_M_McCormick_D_A_Sejnowski_T_J_Thalamocortical_oscillation_in_the_sleeping_and_aroused_brain_Science_262_679-685 "Steriade, M., McCormick, D. A. & Sejnowski, T. J. Thalamocortical ..."
[150]: https://collaborate.princeton.edu/en/publications/simple-neural-optimization-networks-an-ad-converter-signal-decisi "SIMPLE 'NEURAL' OPTIMIZATION NETWORKS: AN A/D ..."
[151]: https://pubmed.ncbi.nlm.nih.gov/26336950/ "Report of the ILAE Task Force on Classification of Status Epilepticus"
[152]: https://pubmed.ncbi.nlm.nih.gov/12239890/ "Toward an interpretation of dynamic neural activity in ... - PubMed"
[153]: https://pubmed.ncbi.nlm.nih.gov/14735113/ "Homeostatic plasticity in the developing nervous system - PubMed"
[154]: https://pubmed.ncbi.nlm.nih.gov/11488378/ "The time course of perceptual choice: the leaky, competing ..."
[155]: https://arxiv.org/abs/1706.03762 "Attention Is All You Need"
[156]: https://papers.nips.cc/paper/7181-attention-is-all-you-need "Attention is All you Need - NIPS"
[157]: https://www.scirp.org/reference/referencespapers?referenceid=1107123 "A. Wolf, J. B. Swift, H. L. Swinney and J. A. Vastano, “Determining ..."
[158]: https://nyuscholars.nyu.edu/en/publications/a-recurrent-network-mechanism-of-time-integration-in-perceptual-d "A recurrent network mechanism of time integration in perceptual ..."
[159]: https://www.nature.com/articles/nn.4244 "Using goal-driven deep learning models to understand sensory cortex"
[160]: https://www.colorado.edu/amath/sites/default/files/attached-files/ermentrout_nf14.pdf "[PDF] Spatiotemporal Pattern Formation in Neural Fields with Linear ..."
[161]: https://ui.adsabs.harvard.edu/abs/1998RPPh...61..353E/abstract "Neural networks as spatio-temporal pattern-forming systems - ADS"
[162]: https://journals.plos.org/plosone/article?id=10.1371%2Fjournal.pone.0080222 "Are Accuracy and Reaction Time Affected via Different Processes?"

---

Оглавление:

- [ЭИРО framework](/README.md)