Studien an wachen Tieren liefern reichlich Anhaltspunkte dafür, dass neuronale Antworteigenschaften auf verschiedenen Zeitskalen – von wenigen Millisekunden bis zu Minuten – moduliert werden. Wir kombinieren mathematische Modelle neuronaler Netzwerke mit Konzepten und Techniken aus den Gebieten dynamische Systeme, statistische Physik und maschinelles Lernen und interessieren uns dabei für die Mechanismen, welche Änderungen neuronaler Erregbarkeit, Adaptation und synaptischer Plastizität zugrunde liegen, sowie für deren Rolle in der Berechnung und Aufrechterhaltung sensorischer Informationen und Stabilisierung physiologischer Netzwerkzustände.

Kürzlich haben wir die Aktivität und Synchronisation von adaptiven Modellneuronen untersucht, indem wir Mean-Field-Methoden, eine Phasenreduktions-Technik sowie das Master-Stability-Function-Framework angewendet und erweitert haben. Wir haben die Effekte verschiedener Typen von Adaptationsströmen -- welche in der Hirnrinde durch neuromodulatorische Systeme (top-down) kontrolliert werden -- auf Spike-Statistiken charakterisiert, und deren Potential zur Stabilisierung von Spike-Synchronisierung, Phasen-Kopplung und Cluster-Zustände beschrieben. Darüberhinaus haben wir die Auswirkung von Adaptationsströmen auf Feuerraten-Oszillationen in großen Netzwerken, in welchen stochastische externe Signale nur "schwache Synchronisation" erlauben, analysiert. 

Ein anderes wichtiges Thema in diesem Zusammenhang ist die Rolle des Rauschens in der sensorischen Verarbeitung und ob dieses Rauschen als nützlich oder schädlich erachtet werden muss. Zu diesem Zweck haben wir kürzlich neue Verfahren entwickelt, mit denen sich Rauschkorrelationen quantifizieren lassen. Diese Methoden werden zur Analyse lange vernachlässigter Abhängigkeitsstrukturen innerhalb neuronaler Populationen verwendet.

Danksagungen: Dieses Projekt wurde vom BMBF, der DFG und der Technischen Universität Berlin finanziert.