ترجمه فارسی مقاله شناسایی زیرفضاهای قابل کنترل پیشخور و پسخور در دینامیک جمعیت عصبی

چکیده

There is overwhelming evidence that cognition, perception, and action rely on feedback control. However, if and how neural population dynamics are amenable to different control strategies is poorly understood, in large part because machine learning methods to directly assess controllability in neural population dynamics are lacking. To address this gap, we developed a novel dimensionality reduction method, Feedback Controllability Components Analysis (FCCA), that identifies subspaces of linear dynamical systems that are most feedback controllable based on a new measure of feedback controllability. We further show that PCA identifies subspaces of linear dynamical systems that maximize a measure of feedforward controllability. As such, FCCA and PCA are data-driven methods to identify subspaces of neural population data (approximated as linear dynamical systems) that are most feedback and feedforward controllable respectively, and are thus natural contrasts for hypothesis testing. We developed new theory that proves that non-normality of underlying dynamics determines the divergence between FCCA and PCA solutions, and confirmed this in numerical simulations. Applying FCCA to diverse neural population recordings, we find that feedback controllable dynamics are geometrically distinct from PCA subspaces and are better predictors of animal behavior. Our methods provide a novel approach towards analyzing neural population dynamics from a control theoretic perspective, and indicate that feedback controllable subspaces are important for behavior.

چکیده به فارسی (ترجمه ماشینی)

شواهد زیادی وجود دارد که نشان می دهد شناخت ، ادراک و عمل به کنترل بازخورد متکی است.با این حال ، اگر و چگونه پویایی جمعیت عصبی برای استراتژی های مختلف کنترل قابل درک است ، تا حد زیادی به دلیل روش های یادگیری ماشین برای ارزیابی مستقیم کنترل در پویایی جمعیت عصبی وجود ندارد.برای پرداختن به این شکاف ، ما یک روش کاهش ابعاد جدید ، تجزیه و تحلیل مؤلفه های کنترل پذیری بازخورد (FCCA) ایجاد کردیم ، که زیر مجموعه های سیستم های دینامیکی خطی را مشخص می کند که بر اساس یک اندازه گیری جدید از کنترل بازخورد قابل کنترل هستند.ما همچنین نشان می دهیم که PCA فضای زیر سیستم های دینامیکی خطی را مشخص می کند که حداکثر اندازه گیری قابلیت کنترل خوراک را به حداکثر می رساند.به این ترتیب ، FCCA و PCA روشهای داده محور برای شناسایی زیر مجموعه داده های جمعیت عصبی (به عنوان سیستم های دینامیکی خطی) هستند که به ترتیب بیشتر بازخورد و قابل کنترل هستند و بنابراین تضادهای طبیعی برای آزمایش فرضیه هستند.ما تئوری جدیدی ایجاد کردیم که ثابت می کند غیر طبیعی بودن پویایی اساسی ، واگرایی بین راه حل های FCCA و PCA را تعیین می کند و این را در شبیه سازی های عددی تأیید می کند.با استفاده از FCCA در ضبط های متنوع جمعیت عصبی ، می فهمیم که دینامیک قابل کنترل بازخورد از نظر هندسی از فضای PCA متمایز است و پیش بینی کننده بهتر رفتار حیوانات است.روشهای ما یک رویکرد جدید برای تجزیه و تحلیل پویایی جمعیت عصبی از دیدگاه نظری کنترل ارائه می دهد ، و نشان می دهد که زیر مجموعه های قابل کنترل بازخورد برای رفتار مهم هستند.