Sincronización en osciladores acoplados a pulsos

Slides:



Advertisements
Presentaciones similares
Modelos de frecuencia de disparo
Advertisements

METODOLOGÍA ORIENTADA A OBJETOS CARACTERISTICAS DEL PROCESO
LECCIÓN 3 Propiedades de transporte: ecuación de Boltzmann
CONCEPTO DE MEDIO Sistema Físico-Químico Biológico Social MEDIO
Introducción a las Redes neuronales
Alianzas Estratégicas
Procesos estocásticos 1
Self-Organized Criticality SOC Criticalidad Auto-Organizada CAO
Todos los Martes y Miercoles de 6 a 8 (20 minutos intermedio) Libres: Setiembre (Reunion de la Asoc. Fisica Argentina) Octubre (Congreso de.
DESCRIPCION DE SISTEMAS
Criticalidad Auto-organizada en el Juego de la Vida
6. Sistemas Autoorganizados
Estadística: -Correlación y regresión
Javier Munárriz Arrieta Directores:
Sistemas dinámicos discretos
Proyecto UNAM-DGAPA-IN y Propiedades de materiales no-cristalinos Responsable: Gerardo García Naumis-Instituto de Física, UNAM. (
NECESIDAD DE LA SIMULACIÓN POR ORDENADOR
Mario Bidegain (FC) – Alvaro Diaz (FI) – Marcelo Barreiro (FC)
Potencial Efectivo en el Modelo Estándar con Campos Hipermagnéticos Alejandro Ayala Instituto de Ciencias Nucleares UNAM.
APRENDIZAJE WIDROW- HOFF
Inteligencia Artificial (BAIA)  Se propone lograr que las computadoras se comporten de manera que podamos reconocerlas como inteligentes.  Tiene por.
Resumen Población Grupo de individuos de la misma especie que ocupan un área determinada y que realizan intercambios de genes. Conjunto de organismos de.
APROXIMACIÓN AL DRENAJE DUAL URBANO MEDIANTE EPA SWMM 5.0
ING. CATALINA DONCEL GONZÁLEZ ING. MÓNICA LORENA TORRES VIVAS
Licenciatura en Administración Pública
Estabilidad de nubes moleculares
GESTION SISTEMICA DEL RIESGO CLINICO Ernesto Giraldo Medico Intensivista.
Ampliació de Química-Física Interacció Materia-Radiació
Grupo de Investigación FLUMEN, Universitat Politècnica de Catalunya
Redes Neuronales Artificiales Autoorganizadas
ING. JOSE GUILLERMO GUARNIZO MARIN
Rodolfo Camacho – Velázquez
Modelando Terremotos (con resortes y μ estatico ) Material adaptado de : Carmen Prado (University of São Paulo) + Wikipedia + Web.
Localización de la gravedad 4D en mundos membrana suaves
MOVIMIENTO OSCILATORIO
Resumencisimo. Que sucede en el caso en el que las amplitudes no son iguales. w1w2 La representación esepctral. Para dar forma (para mandar información)
Circuitos Dinámicos de 2º Orden REGIMEN SINUSOIDAL ESTACIONARIO
Tema 3: Simulación estacionaria..
MÉTODO MONTE CARLO Primer método de simulación empleado.
8° TREFEMAC, Mar del Plata 5 al 7 de Mayo de 2010 Propagación de Daño en el Modelo ±J de Edwards-Anderson en 3D M. L. Rubio Puzzo 1, F. Romá 2, S. Bustingorry.
OSCILADORES DE INTEGRACIÓN Y DISPARO
J. Mauricio López R. CENAM Time and Frequency Division Statistical Analysis of Measurements (time domain)
Redes Competitivas.
Sistemas Expertos “Autómatas Celulares”
Titular: Agustín Salvia
Prof: Dr. Francisco Cubillos M Depto Ingeniería Quimica - USACH
CONCEPTOS BÁSICOS DE MECÁNICA CUÁNTICA
Potencial Eléctrico Continuación
RESPUESTA DINÁMICA Y ESTABILIDAD DE SISTEMAS
Respuesta: NO. Versión grafica del mismo argumento.
Introducción a la Robótica mecanismos avanzados Coordinación de Ciencias Computacionales, INAOE Dra Angélica Muñoz Dr Eduardo Morales
Redes Neuronales BPN - Backpropagation Networks
PRESENTADO POR: LINA MARCELA IGUA TORRES SONIA MOYANO ESPINOSA DAVID MAHECHA MEDINA CRISTIAN HERNÁNDEZ GERMAN RAMÍREZ.
Caracterización y Modelización de Sistemas Dinámicos no Lineales. Medidas de Desorden Dinámico y Self-Correlation Juan A. Hernández Alvarez, Rosa Mª Benito,Juan.
REDES NEURONALES TEORÍA MODERNA DE LA FIRMA 2010.
FÍSICA DE SEMICONDUCTORES MOBILIDAD Y CONDUCTIVIDAD EN SEMICONDUCTORES UN Luis Antonio Rodríguez Pérez Junio 2015.
LAS FUERZAS SOBRE LOS SÓLIDOS
Heurística. Los procesos que se llevan a cabo en el cerebro pueden ser analizados, a un nivel de abstacción dado, como procesos computacionales de algún.
MODELAMIENTO MATEMÁTICO DE PROCESOS INDUSTRIALES
Redes (r, n) Suponga este sistema de 7 componentes redundante, puesto que (por hipótesis) el sistema funciona con al menos tres componentes Tiempo de falla.
La Biología como Alternativa Computacional Nuevos Paradigmas de Computación inspirados en la Biología Mario de J. Pérez Jiménez, Fernando Sancho Caparrini.
Ecología y evolución Valor :Respeto _Tolerancia youtube
Técnicas numéricas para el procesamiento de datos reales Antonio Turiel Instituto de Ciencias del Mar de Barcelona.
Tema 2. Campo electrostático
Tema 3. Potencial electrostático
Fuerzas.
Aprendiendo a pensar Espacialmente: La naturaleza y funciones del pensamiento espacial National Academy of Sciences The Nature of Spatial Thinking.
Sistemas de Comunicación II 2009 Propagación en sistemas con múltiples reflexiones.
REDES NEURONALES ARTIFICIALES (SOM - Kohonen)
Termodinámica de procesos irreversibles
Transcripción de la presentación:

Sincronización en osciladores acoplados a pulsos Albert Díaz-Guilera Conrad J. Pérez Alex Arenas Álvaro Corral Xavier Guardiola Mateu Llas UNIVERSIDAD DE BARCELONA http://www.ffn.ub.es/albert

2 modelos Pilas de arena, terremotos y luciérnagas Sincronización y estructuras espacio-temporales

Pilas de arena, terremotos y luciérnagas Bak Tang Wiesenfeld (PRL 59 (1987) 381) Sistemas dinámicos extendidos Ruido 1/f: superposición de escalas de tiempo Autosimilaridad espacial Terremotos: leyes potenciales de distribución AUSENCIA DE ESCALAS CARACTERÍSTICAS

Autómata celular Sistema discreto con reglas dinámicas sencillas Condición umbral que introduce la nolinearidad

Criticalidad auto-organizada Autoorganizada: El sistema evoluciona de forma natural hacia un estado estacionario de no-equilibrio Crítico: El sistema es crítico en el sentido que no hay escalas características en su evolución: ni espaciales ni temporales Sin necesidad de reglas complicadas y sin ajustar ningún parámetro externo

Terremotos: modelo de muelles y bloques

Olami, Feder y Christensen PRL 68 (1992) 1244 Ei,j ® 0 Enn ® Enn+eEi,j 2 time scales

Sincronización Física: uniones Josephson Química: reacciones químicas Biología: Celulas marcapasos del corazón Neuronas en el córtex visual Luciérnagas

Osciladores de fase 1 escala temporal Positivo Negativo Osciladores nolineales que se mueven en un ciclo límite Interaccion débil pero continua Modelo de Kuramoto Positivo Negativo

Integrate-and-fire oscillators 2 escalas temporales Si Ei(t)>Ec Pulso transmitido: EjEj+e(Ej) Reinicializado: Ei0

Mirollo & Strogatz SIAM J. Appl. Math. 50 (1990) 1645 Sincronización Todos con todos Acoplamiento uniforme positivo Tiempo refractario f’(E)>0

CPDA (PRL 75 (1995) 3697) Generalización a acoplamiento dependiente del estado

MS en 2d con interacciones nn y CC periódicas (CPDA)

SOC y oscilaciones de relajación TERREMOTO (FF-OFC) LUCIERNAGAS (MS) Nearest neighbors All-to-all Uniform driving rate dE/dt=1 Nonuniform dE/dt=f(E) Open BC’s No BC’c Enn® Enn+e (FF)    Enn® Enn+eEi  Ej® Ej+e   NO refractory time  Refractory time  SOC SYNCHRONIZATION    

Sin tiempo refractario (PRL 74 (1995) 118) Se rompe la sincronización OFC con driving no-uniforme

Efecto de la diversidad Periódico  SOC  Decaimiento exponencial (PRL 78 (1997) 1492)

Sincronización y estructuras espacio-temporales Representación continua Con la condición de puesta a cero Ei1

Acoplamiento independiente del estado siendo

Descripción en términos de fase siendo

Separando las escalas de tiempo Driving: di/dt=1 Firing PRC

Relación entre las interacciones Recibiendo n firings simultáneos

Evolución de las fases Evolución discreta

Dos tipos de interacciones Interacciones excitatorias <0 Interacciones inhibitorias >0 Ejemplo 2 osciladores

Dos osciladores Medio ciclo 10 1--1() F D  + 1()1 10 1--1() F D  + 1()1 Puntos fijos *=1- *- 1(*)

Estabilidad ’1()>0 Inestable -> Sincronización ’1()<0 Estable -> Phase-locking

Osciladores dirigidos en un anillo (PRE 57 (1998) 3820) Driving: di/dt=1 Firing

Firing + Driving Return map

Acoplamiento negativo

Acoplamiento positivo

Puntos fijos Analíticamente: cotas a los módulos de los valores propios <0 puntos fijos estables >0 puntos fijos inestables

Estructuras (PRE 60(1999) 3626) 1 4 C(N+1,m) Degeneración del patrón Ejemplo: N+1=4 osciladores

Selección de los patrones Aproximación “de campo medio” Cálculo de la degeneración:

Patrón dominante N par: m=(N+1)/2 N impar: m=(N+2)/2 y m=N/2

Desaparición de patrones Desaparece !!

Desorden topológico (PRE 62 (2000) 5565) Sincronización

Medida de la sincronización T tiempo de sincronización

Redes aleatorias ( N nodos, l conexiones) Estudiando como escala T con los parámetros de la red se obtiene la ley de escala:

Redes parcialmente desordenadas Caracterizamos el grado de desorden topológico de la red mediante un parámetro p (reconexionado) (Watts, Strogatz)

Orden y desorden

“Frustración dinámica” que impide una sincronización eficiente Simulaciones (T vs p) Dispersión en el número de vecinos “Frustración dinámica” que impide una sincronización eficiente Normalicemos los acoplamientos para compensar la frustración

Conclusiones Diferentes comportamientos espacio-temporales, obtenidos a partir de reglas muy sencillas Criticalidad auto-organizada Sincronización Formación de estructuras Mediante simulaciones y resultados analíticos exactos y de “campo medio”