Intrinsic Resonance depends on Network Size of Coupled-Delayed Interacting Oscillators

Titel: Inhärente Resonanz in Abhängigkeit von der Netzwerkgröße gekoppelter verzögerter Oszillatoren

Autoren: Felipe A. Torres, Alejandro Weinstein, Jesus M. Cortes, Wael El-Deredy
Veröffentlicht: November 2025 (ArXiv)

---

1. Problemstellung

Das zentrale Phänomen, das in diesem Werk untersucht wird, ist die systematische Beziehung zwischen der Netzwerkgröße und der kollektiven Frequenz (Netzwerkresonanz) synchronisierter neuronaler Populationen.

• Beobachtung: Große Netzwerke (z. B. das gesamte Gehirn) oszillieren langsam, während feinere Unterteilungen (Parzellierungen) desselben Volumens schnellere Rhythmen aufweisen.
• Lücke: Obwohl dieses Skalierungsverhalten in verzögerten neuronalen Massenmodellen und humanen Neuroimaging-Studien beobachtet wurde, war der zugrundeliegende physikalische Mechanismus bisher ungelöst.
• Hypothese: Die Autoren vermuten, dass diese größenabhängige Resonanz direkt aus Ausbreitungsverzögerungen (Propagation Delays) in verzögert gekoppelten Phasenoszillatoren resultiert und nicht nur ein Artefakt der Topologie ist.

2. Methodik

Modellgrundlage

Die Studie basiert auf einem Kuramoto-Modell mit heterogenen Verzögerungen für ein vollständig verbundenes, ungerichtetes Netzwerk von $N$ Oszillatoren. Die Dynamik wird durch folgende Gleichung beschrieben:
$$\dot{\theta}_i = \omega_i + \frac{K}{N} \sum_{j=1}^{N} c_{ij} \sin[\theta_j(t - \tau_{ij}) - \theta_i(t)]$$
Dabei sind $\theta_i$ die Phase, $\omega_i$ die Eigenfrequenz, $c_{ij}$ die Kopplungsstärke und $\tau_{ij}$ die Verzögerung zwischen den Knoten $i$ und $j$.

Analytischer Ansatz

• Linearisierung: Unter der Annahme eines nahe-synchronen Regimes (kleine Phasendifferenzen) wird die Sinus-Funktion linearisiert.
• Verzögerungsapproximation: Die verzögerte Phase wird als lineare Funktion der Zeit approximiert: $\theta_j(t - \tau_{ij}) \approx \theta_j(t) - \Omega_j \tau_{ij}$.
• Herleitung: Durch Einsetzen dieser Näherung in die dynamischen Gleichungen und Anwendung der Laplace-Transformation wird eine geschlossene analytische Formel für die kollektive Frequenz $\Omega$ hergeleitet.
• Ergebnis der Herleitung: Die kollektive Frequenz hängt invers von der Summe der Kopplungen multipliziert mit den Verzögerungen ab:
  $$\Omega \approx \left( \sum_j c_{ij} \tau_{ij} \right)^{-1}$$
  Dies impliziert, dass die Resonanz durch die Verzögerung begrenzt ist und systematisch von der geometrischen Größe oder der Dichte der Parzellierung abhängt.

Simulationsdesign

Die Autoren untersuchten vier verschiedene Wachstumsszenarien, um zu testen, wie sich die Netzwerkgröße ($N$) auf $\Omega$ auswirkt:

1. Fall I (Keine Geometrie/Verzögerungsskalierung): Verzögerungen sind fixiert oder nicht vorhanden (Referenzfall).
2. Fall II (Wachsende Gewichte, feste Verzögerung): Kopplungsstärke skaliert mit $N$, Verzögerungen bleiben konstant (physikalisch unrealistisch für räumliche Systeme).
3. Fall III (Expanderendes Volumen): Das Volumen wächst mit $N$, wodurch die Abstände und damit die Verzögerungen $\tau$ zunehmen.
4. Fall IV (Festes Volumen, steigende Dichte): $N$ wächst in einem festen Volumen. Die Verzögerungen nehmen mit $1/\sqrt{N}$ ab (da Abstände kleiner werden), während die Kopplungsgewichte skaliert werden, um physikalische Konsistenz zu wahren.

Zusätzlich wurden numerische Simulationen mit heterogenen Verzögerungen durchgeführt, um realistischere Szenarien (z. B. Knoten auf einem Kreis mit variierendem Radius) abzubilden.

3. Wichtige Ergebnisse

• Bestätigung der Skalierungsgesetze: Die analytisch abgeleitete Formel $\Omega \approx (\sum c_{ij}\tau_{ij})^{-1}$ stimmt hervorragend mit den numerischen Simulationen überein, solange das Netzwerk synchronisiert bleibt.
• Fall III (Expansives Volumen): Mit zunehmender Netzwerkgröße $N$ nehmen die Verzögerungen zu. Dies führt zu einer systematischen Abnahme der kollektiven Frequenz. Bei sehr großen $N$ bricht die Synchronisation zusammen (Kuramoto-Ordnungsparameter $KOP \to 0$), was die Gültigkeit der linearen Näherung beendet.
• Fall IV (Festes Volumen): Hier nimmt die Dichte zu. Die analytische Vorhersage zeigt, dass auch hier die Frequenz mit $N$ abnimmt, jedoch bleibt die Synchronisation über einen weiten Bereich erhalten, da die Verzögerungen durch die kürzeren Abstände kompensiert werden.
• Heterogene Netzwerke (Fall A & B):
  • Bei vollständig verbundenen Netzwerken auf einem expandierenden Kreis (Fall A) folgt die Frequenz der analytischen Vorhersage.
  • Bei Netzwerken mit fester Gradzahl (Fixed Degree) oder niedriger Dichte wird die Synchronisation oft nicht erreicht, und die Frequenz bleibt nahe der mittleren Eigenfrequenz (ca. 40 Hz), ohne die Skalierungsgesetze zu befolgen.
  • Schlussfolgerung: Die Skalierung der Frequenz mit der Netzwerkgröße tritt nur auf, wenn eine ausreichende Synchronisation durch die Netzwerkdichte gewährleistet ist.

4. Bedeutung und Beiträge

• Physikalischer Mechanismus: Das Paper identifiziert erstmals einen minimalen physikalischen Mechanismus für die größenabhängige kortikale Resonanz: Es ist die Kombination aus Propagationsverzögerungen und der effektiven Kopplung, die die Oszillationsfrequenz bestimmt.
• Einheitliches Framework: Es bietet einen analytischen Rahmen, der numerische Simulationsergebnisse und neuroimaging-Daten vereint. Es erklärt, warum feinere Parzellierungen (höhere räumliche Auflösung) in Simulationsmodellen oft schnellere Rhythmen erzeugen als grobe Parzellierungen.
• Neurowissenschaftliche Implikationen:
  • Die Ergebnisse helfen zu verstehen, warum Alpha- und Beta-Rhythmen im alternden Gehirn oder bei neurodegenerativen Erkrankungen langsamer werden könnten (verursacht durch erhöhte effektive Verzögerungen durch White-Matter-Degradation).
  • Sie warnen davor, dass die Wahl der räumlichen Auflösung (Parzellierung) in Gehirnnetzwerk-Modellen die emergenten Dynamiken nichtlinear beeinflusst.
• Allgemeine Gültigkeit: Der gefundene Mechanismus ist nicht auf das Gehirn beschränkt, sondern gilt für jedes System von verzögert gekoppelten Oszillatoren mit endlicher Leitgeschwindigkeit.

Zusammenfassung

Die Studie beweist analytisch und numerisch, dass die intrinsische Resonanzfrequenz eines Netzwerks nicht nur von den Eigenschaften der einzelnen Oszillatoren abhängt, sondern fundamental durch die geometrische Größe und die daraus resultierenden Ausbreitungsverzögerungen des Netzwerks bestimmt wird. Größere Netzwerke oder Netzwerke mit größerer räumlicher Ausdehnung neigen zu langsameren Oszillationen, sofern die Synchronisation aufrechterhalten wird. Dies liefert eine fundamentale Erklärung für skalierungsabhängige Phänomene in der Neurodynamik.