ETD

• asymmetry
• computazionale
• curl flux
• energy landscape
• gradient
• John Joseph Hopfield
• metastability
• neural
• neurali
• neuroscience
• neuroscienze
• psichiatria
• recurrent neural network (rnn)
• time series

The aim of this thesis is to develop a computational approach to infer, from experimental neural data, a dynamical model capable of identifying and separating the contribution of the gradient component from that of the rotational flow, which is related to asymmetries in the connectivity.
A neural network model with asymmetric connectivity was constructed, capable of generating metastable dynamics analogous to physiological cortical activity, performing cyclic transitions between four memory states. The synthetic data generated by the network were used as ground truth to assess the reliability of the procedures for reconstructing the energy landscape.
To reconstruct the landscape using only the synthetic data—thus within a framework that can also be applied to experimental data—modern machine learning techniques for dynamical system reconstruction were employed. Specifically, the temporal evolution of the data was parameterized through the training of a recurrent neural network with a latent architecture.
The reconstruction was successful; however, partly due to the strong degeneracy of the solutions in parameter space, the outcome of this attempt highlighted the need for further investigation in order to more accurately relate the latent matrices obtained from the reconstruction to the original one.

L’obiettivo di questa tesi è sviluppare un approccio computazionale per inferire da dati neurali sperimentali un modello dinamico capace di identificare e separare il contributo di gradiente da quello di flusso rotazionale, legato alle asimmetrie nella connettività.
E' stato costruito un modello di rete neurale con connettività asimmetrica capace di generare dinamiche metastabili, in analogia con quelle corticali fisiologiche, effettuando transizioni cicliche tra quattro stati di memoria. I dati sintetici generati dalla rete sono stati utilizzati come ground truth per valutare l’affidabilità delle procedure di ricostruzione del landscape energetico. Per ricostruire il landscape a partire dai soli dati sintetici, quindi in una prospettiva applicabile anche a dati sperimentali, sono state utilizzate tecniche moderne di machine learning per la ricostruzione di sistemi dinamici. Nello specifico, l’evoluzione temporale dei dati è stata parametrizzata mediante l’addestramento di una rete neurale ricorrente con architettura latente. La ricostruzione è avvenuta con successo, tuttavia, anche a causa della forte degenerazione delle soluzioni nello spazio dei parametri, l’esito di questo tentativo ha messo in evidenza la necessità di ulteriori approfondimenti per collegare in modo più accurato le matrici latenti della ricostruzione a quella originale.