بزرگنمايي:

سیاست و بازاریابی - ایسنا / عضو هیئت علمی دانشکدگان علوم دانشگاه تهران با ارائه فرمول‌هایی دقیق، موفق به تعیین شرایط پایداری و وجود چنبره‌های پایا در مدل معروف تحریک عصبی فیتزو-ناگایاما شده است؛ رفتارهایی که تاکنون در شبیه‌سازی‌های عددی قابل تشخیص نبوده‌اند.
روش تحلیلی جدید که در یک همکاری بین‌المللی با محققان دانشگاه یونیکمپ برزیل به دست‌آمده است، رفتارهای پیچیده و پنهانی را در سیستم‌های عصبی آشکار می‌کند که با شبیه‌سازی‌های رایانه‌ایِ مرسوم، به‌سختی قابل کشف هستند و می‌تواند به مهندسان و متخصصان علوم اعصاب در پیش‌بینی دقیق‌تر عملکرد تحریک‌پذیریِ عصبی و نورون‌ها کمک کند.
نسرین صدری، عضو هیئت‌علمی دانشکدگان علوم در تشریح جدیدترین یافته‌های خود در حوزه علوم اعصاب و ریاضیات زیستی، از استخراج شرایط عام و صریح برای وجود و پایداری سیکل‌های حدی و چنبره‌های پایا در سیستم عصبی فیتزو-ناگایاما خبر داد.
پژوهشگر دانشگاه تهران افزود: روش‌های تحلیلی به‌کاررفته در این مطالعه، قادر به شناسایی دینامیک‌های پیچیده‌ای است که با رویکردهای عددی مرسوم، قابل تشخیص نیستند و نیازمند تحلیل‌های مرتبه سوم ریاضی هستند، رویکردی که به‌سبب پیچیدگی‌های ذاتی‌اش، تاکنون کمتر مورد توجه قرار گرفته بود.
وی همچنین تاکید کرد: سیستم فیتزو-ناگایاما، یک خانواده چهارپارامتری از میدان‌های برداری سه‌بعدی است که کاربرد گسترده‌ای در مدل‌سازی تحریک‌پذیریِ عصبی و نورون‌ها دارد.
عضو هیئت‌علمی دانشکده علوم ریاضی اظهار کرد: نتایج این پژوهش نه‌تنها مطالعات پیشین را با ارائه شرایط عام و دقیق برای وجود و پایداری چنبره‌های پایا تعمیم می‌بخشد، بلکه برای نخستین بار، شرایط جدیدی را برای وجود سیکل‌های حدی معرفی می‌کند.
به نقل از دانشگاه تهران، صدری با اشاره به روشِ کاهشِ لیاپانوف–اشمیت، گفت: در شرایط خاص، روش‌های مرتبه اول به پاسخِ معیّنی نمی‌رسند، اما در این پژوهش ما موفق به استخراج شرایط صریح برای انشعاب سیکل‌های حدی و چنبره پایدار در این شرایط نیز شده‌ایم. از دیگر دستاوردهای برجسته این تحقیق، بیان صریح شرط پایداری برای سیکل‌های حدی منشعب شده است؛ موضوعی که در پژوهش‌های قبلی مغفول مانده بود.
صدری در پایان اعلام کرد: در طول این بررسی‌ها، دینامیک‌های پیچیده‌ای شناسایی شده‌اند که مستلزم تحلیل مرتبه سوم هستند؛ رفتارهایی که معمولاً به دلیل محدودیت‌های ذاتی، با روش‌های عددی متداول به‌سختی قابل آشکارسازی بوده و شناسایی تحلیلی آن‌ها، گامی مهم در فهم عمیق‌تر سیستم‌های عصبی و دینامیک غیرخطی محسوب می‌شوند.