メニュー
脑网络振荡同步计算框架 - 整合 Kuramoto相位动力学、时间延迟塑性、信息通量优化的统一方法论。用于研究脑网络同步性、频率选择、振荡耦合、信息传输效率。适用于网络神经科学、计算神经科学、脑动力学建模。
デフォルトでは、最初にソースを確認する Prompt が選択されています。直接コマンドに切り替えるか、ローカルコピーをダウンロードすることもできます。
インストールを決める前に、SKILL.md と SkillsMP に表示されている付属ファイルをお読みください。
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
直接コマンドでは確認用 Prompt が省略されます。実行前にソースを確認してください。
npx skills add https://github.com/hiyenwong/ai_collection --skill brain-oscillation-synchronization-frameworkコマンドは1行のまま表示されます。コピー前に横へスクロールして全体を確認してください。
ローカルで確認しますか？SkillsMP が現在取得できるファイルをダウンロードできます。
Graph-native Python reimplementation of the Information Dynamics of Music (IDyOM) model that represents predictive memories as explicit graph objects for musical expectation modeling and network analysis.
Physics-aware end-to-end deep reinforcement learning methodology for quadcopter control with actuator dynamics modeling.
Reinforced Dreamer methodology for asymmetric reinforcement learning using latent guidance to improve world model representations and behaviors in model-based RL.
SOC 職業分類に基づく
SKILL.md を表示中
| name | brain-oscillation-synchronization-framework |
| description | 脑网络振荡同步计算框架 - 整合 Kuramoto相位动力学、时间延迟塑性、信息通量优化的统一方法论。用于研究脑网络同步性、频率选择、振荡耦合、信息传输效率。适用于网络神经科学、计算神经科学、脑动力学建模。 |
| arxiv_id | 2605.23520,2605.14680,2105.08288,2605.29529,2605.30271,2605.30302 |
| published | 2026-05-31 |
| authors | 综合研究（Ruschel et al. 2026, Metzner et al. 2026, Kuramoto Brain Network 2021） |
| tags | ["brain oscillation","synchronization","Kuramoto","delay plasticity","information flux","network attractor","phase dynamics","neural coupling","frequency selection"] |
脑网络振荡同步是神经通信和信息处理的核心机制。本框架整合三个前沿研究方向：
网络吸引子与时间延迟塑性 (arXiv:2605.23520)
皮层微电路信息通量优化 (arXiv:2605.14680)
Kuramoto相位动力学 (arXiv:2105.08288)
共同噪声诱导的群体级同步 (arXiv:2605.29529, q-bio.NC)
量子同步与退同步 (arXiv:2605.30271, arXiv:2605.30302, quant-ph)
| 框架 | 同步机制 | 退同步机制 | 数学工具 |
|---|---|---|---|
| Kuramoto脑网络 | 相位耦合K_ij | 频率失配/噪声 | 序参量分析 |
| 延迟塑性 | 自适应延迟选择 | 延迟不匹配 | AAD演化方程 |
| 共同噪声 | 噪声诱导相位锁定 | 局部噪声去相关 | 相密度映射 |
| 量子同步 | 外驱相位锁定 | 量子相位滑移 | Lindblad方程 |
| 量子退同步 | 强相位关联 | 量子涨落增殖 | Keldysh路径积分 |
同步是一个跨尺度的普适现象：
关键洞察：同步建立与退同步崩溃是同一物理过程的两个方向，分别由 相位滑移抑制（同步）和相位滑移增殖（退同步）控制。
Kuramoto相位动力学 + 自适应延迟：
dθ_i/dt = ω_i + Σ_j K_ij sin(θ_j(t-d_ij) - θ_i(t))
延迟塑性规则：
d(d_ij)/dt = -α * sin(θ_j(t-d_ij) - θ_i(t)) * cos(θ_j - θ_i)
信息通量度量：
Φ(t) = I(X_{t+1} | X_t) = Σ_i Σ_j p(x_{i,t}, x_{j,t+1}) log[p(x_{i,t}, x_{j,t+1}) / p(x_{i,t})p(x_{j,t+1})]
import numpy as np
from scipy.integrate import solve_ivp
from scipy.signal import hilbert
from sklearn.cluster import SpectralClustering
from typing import Dict, Tuple, List
import networkx as nx
class BrainOscillationSyncFramework:
"""脑网络振荡同步计算框架"""
def __init__(self, n_nodes: int, params: Dict):
self.n = n_nodes
self.params = params
# 固有频率分布
self.omega = np.random.normal(
params['omega_mean'],
params['omega_std'],
n_nodes
)
# 连接矩阵（可从DTI数据加载）
self.K = params['coupling_matrix']
# 自适应延迟（初始随机）
self.delay = np.random.uniform(
params['delay_min'],
params['delay_max'],
(n_nodes, n_nodes)
)
def phase_dynamics_with_adaptive_delay(self, t, state):
"""相位动力学 + 延迟塑性"""
theta = state[:self.n]
d_delay = state[self.n:]
# Kuramoto耦合（考虑延迟）
dtheta = self.omega.copy()
i (.n):
j (.n):
.K[i,j] > :
delayed_theta_j = theta[j]
phase_diff = delayed_theta_j - theta[i]
dtheta[i] += .K[i,j] * np.sin(phase_diff)
d_delay[i,j] = -.params[] * \
np.sin(phase_diff) * np.cos(phase_diff)
np.concatenate([dtheta, d_delay.flatten()])
() -> :
bins = .params[]
discretized = np.digitize(states_sequence, bins=bins)
X_t = discretized[:-]
X_next = discretized[:]
mutual_info =
mutual_info
() -> [[]]:
phase_diff_matrix = np.(phases[:, ] - phases[, :])
clustering = SpectralClustering(
n_clusters=.params[],
affinity=
)
labels = clustering.fit_predict(phase_diff_matrix)
communities = [[] _ (.params[])]
i, label (labels):
communities[label].append(i)
communities
():
flux_values = []
noise noise_levels:
.params[] = noise
solution = solve_ivp(
.phase_dynamics_with_adaptive_delay,
[, .params[]],
np.concatenate([
np.random.uniform(, *np.pi, .n),
.delay.flatten()
]),
method=
)
flux = .compute_information_flux(solution.y[:.n, :].T)
flux_values.append(flux)
flux_values
延迟塑性作为学习机制
嵌入网络的重要性
同步与信息传输
神经动力学可能趋向于最大化连续状态间的互信息：
∂Φ/∂K → 0, ∂Φ/∂ω → 0, ∂Φ/∂delay → 0
当同一天的多篇论文覆盖同步现象的互补方向时，应创建统一框架技能而非多个窄技能：
2605.30271 - "Quantum Synchronization of Fock States" → quantum-fock-state-synchronization 技能
2605.30302 - "Quantum Desynchronization of Limit Cycles" → quantum-desynchronization-dynamics 技能
2605.29529 - "Common Noise-Induced Group-Level Synchronization Between Uncoupled Groups of Oscillators" → noise-induced-oscillator-synchronization 技能
同步-去同步对偶：
共同数学结构：
跨领域应用：
quantum-fock-state-synchronization - 量子 Fock 态同步quantum-desynchronization-dynamics - 量子去同步动力学noise-induced-oscillator-synchronization - 噪声诱导群体同步quantum-fock-state-synchronization + quantum-desynchronization-dynamics 形成同步/去同步对偶框架brain oscillation, neural synchronization, Kuramoto model, delay plasticity, adaptive axonal delay, information flux, mutual information, recurrence resonance, phase coupling, frequency selection, network attractor, cortical microcircuit, embedding network, myelination, neural communication, oscillatory dynamics, brain network modeling, phase dynamics, collective frequency, community structure, neuromodulation effects, oxytocin brain dynamics, MS demyelination model, epilepsy synchronization, BCI signal processing, neuromorphic hardware, reservoir computing optimization, quantum synchronization, Fock state sync, quantum desynchronization, noise-induced sync, Arnold tongue, phase slip rate, Lindblad dynamics, Keldysh path integral, uncoupled oscillator groups