Benchmarking parameter inference methods for cortical dynamics models

Understanding how the cerebral cortex generates patterns of neural activity is a key challenge in neuroscience. These activity patterns, often known as cortical dynamics, describe how populations of interconnected neurons evolve over time and generate complex brain functions such as perception, learning, and motor control. Computational models of cortical dynamics are therefore essential tools to study the mechanisms underlying brain activity. For this reason, accurately recreating cortical dynamics through computational models becomes essential and it requires a precise parameter inference. This task is non trivial in cases of high dimensional parameter spaces and ill-posed problems and needs automated and robust methods to be solved. This thesis aims to present a systematic analysis of tuning parameters strategies for cortical dynamics models. Two families of methods have been investigated, the learning-based algorithms, relying on data driven models, and the instance-based ones, either sequential or evolutionary. Each method, depending on its family, has been studied with specific quantitative evaluation strategies (learning curves, error distributions, temporal error curves, statistical significance tests). The results show that, for the learning-based models, baseline, Bayesian optimization and Sequential Neural Posterior Estimation approaches have the best performance, with the last one that reaches the best results, but without a large difference with respect to the others, while for the instance-based ones, genetic algorithms outperform the other tuning strategies in terms of both convergence speed and precision. This work aims to provide structured guidelines to future researchers for choosing the best parameter inference strategies depending on their context of application.

Comprendere come la corteccia cerebrale generi i pattern di attività neurale è una sfida chiave nelle neuroscienze. Questi pattern di attività, spesso noti come dinamiche corticali, descrivono come le popolazioni di neuroni interconnessi evolvono nel tempo e generano complesse funzioni cerebrali come la percezione, l'apprendimento e il controllo motorio. I modelli computazionali delle dinamiche corticali sono quindi strumenti essenziali per studiare i meccanismi alla base dell'attività cerebrale. Per questo motivo, ricreare con precisione le dinamiche corticali attraverso modelli computazionali diventa fondamentale e richiede una precisa inferenza dei parametri. Questo compito non è banale in presenza di spazi parametrici ad alta dimensionalità e problemi mal posti, e necessita di metodi automatizzati e robusti per essere risolti. Questa tesi mira a presentare un'analisi sistematica delle strategie di calibrazione dei parametri per i modelli di dinamiche corticali. Sono state indagate due famiglie di metodi: gli algoritmi learning-based, che si basano su modelli data-driven, e quelliinstance-based, sequenziali o evolutivi. Ciascun metodo, a seconda della sua famiglia, è stato studiato con specifiche strategie di valutazione quantitativa (curve di apprendimento, distribuzioni di errore, curve di errore temporale, test di significatività statistica). I risultati mostrano che, per i modelli learning-based, l’approccio baseline, Bayesian optimization e Sequential Neural Posterior Estimation hanno le migliori performance, con quest'ultimo che raggiunge i risultati migliori, ma senza una grande differenza rispetto agli altri, mentre per quelli instance-based, gli algoritmi genetici superano le altre strategie di tuning in termini sia di velocità di convergenza che di precisione. Questo lavoro mira a fornire linee guida strutturate ai futuri ricercatori per la scelta delle migliori strategie di inferenza dei parametri a seconda del loro contesto di applicazione.