Izhikevich Neuron PymoNNto Implementation

The following code creates a network with 800 excitatory neurons, 200 inhibitory neurons and all the connections between them. The neurons have different parameters and are updated with rules derived form the original Izhikevich paper.

from PymoNNto import *

class Izhikevich_main(Behaviour):

    def set_variables(self, n):
        self.set_init_attrs_as_variables(n)
        n.I = n.get_neuron_vec()
        n.a += n.get_neuron_vec()
        n.b += n.get_neuron_vec()
        n.c += n.get_neuron_vec()
        n.d += n.get_neuron_vec()
        n.v *= n.get_neuron_vec('uniform')
        n.u *= n.get_neuron_vec('uniform')
        n.fired = n.get_neuron_vec() > 0
        n.dt = 0.5

    def new_iteration(self, n):
        n.fired = n.v > 30
        if np.sum(n.fired) > 0:
            n.v[n.fired] = n.c[n.fired]
            n.u[n.fired] = n.u[n.fired] + n.d[n.fired]

        n.v += n.dt * (0.04 * n.v**2 + 5*n.v + 140 - n.u + n.I)
        n.u += n.dt * (n.a * (n.b * n.v - n.u))


class Izhikevich_input(Behaviour):

    def set_variables(self, n):
        for s in n.afferent_synapses['All']:
            s.W = s.get_synapse_mat('uniform')

    def new_iteration(self, n):

        n.I = 20 * n.get_neuron_vec('uniform')

        for s in n.afferent_synapses['GLUTAMATE']:
            n.I += 0.5 * np.sum(s.W[:, s.src.fired], axis=1)

        for s in n.afferent_synapses['GABA']:
            n.I -= np.sum(s.W[:, s.src.fired], axis=1)






My_Network = Network()

N_e = NeuronGroup(net=My_Network, tag='excitatory_neurons', size=get_squared_dim(800), behaviour={
    1: Izhikevich_main(a=0.02, b=0.2, c=-65, d=8.0, v='0;-65', u='0;-8.0'),
    2: Izhikevich_input(),
    9: Recorder(tag='my_recorder', variables=['n.v', 'n.u', 'n.fired'])
})

N_i = NeuronGroup(net=My_Network, tag='inhibitory_neurons', size=get_squared_dim(200), behaviour={
    1: Izhikevich_main(a=0.02, b=0.2, c=-65, d=8.0, v='0;-65', u='0;-8.0'),
    2: Izhikevich_input(),
    9: Recorder(tag='my_recorder', variables=['n.v', 'n.u', 'n.fired'])
})

SynapseGroup(net=My_Network, src=N_e, dst=N_e, tag='GLUTAMATE')
SynapseGroup(net=My_Network, src=N_e, dst=N_i, tag='GLUTAMATE')
SynapseGroup(net=My_Network, src=N_i, dst=N_e, tag='GABA')
SynapseGroup(net=My_Network, src=N_i, dst=N_i, tag='GABA')

My_Network.initialize()

My_Network.simulate_iterations(1000, measure_block_time=True)

import matplotlib.pyplot as plt
plt.plot(My_Network['n.v', 0])
plt.show()

plt.plot(My_Network['n.u', 0])
plt.show()

plt.imshow(My_Network['n.fired', 0, 'np'].transpose(), cmap='gray', aspect='auto')
plt.show()


#from PymoNNto.Exploration.Network_UI import *
#my_UI_modules = get_default_UI_modules(['fired', 'v', 'u'], ['W'])
#Network_UI(My_Network, modules=my_UI_modules, label='My_Network_UI', group_display_count=2).show()