In welcher Weise hängt die Dynamik eines neuronalen Systems von den Eigenschaften seiner Netzwerkstruktur ab? Diese wichtige Fragestellung der Neurowissenschaft untersuchen wir in dieser Dissertation anhand einer analytischen und numerischen Modellierung der Aktivität großer neuronaler Netzwerke mit komplexer Struktur. Im Fokus steht die Relevanz zweier bestimmter Merkmale für die Dynamik: strukturelle Heterogenität und Gradkorrelationen. Ein zentraler Bestandteil der Dissertation ist die Entwicklung einer Molekularfeldnäherung, mit der die mittlere Aktivität heterogener, gradkorrelierter neuronaler Netzwerke berechnet werden kann, ohne dass einzelne Neuronen explizit simuliert werden müssen. Die Netzwerkstruktur wird von einer reduzierten Matrix erfasst, welche die Verbindungsstärke zwischen den Neuronengruppen beschreibt. Für einige generische Zufallsnetzwerke kann diese Matrix analytisch berechnet werden, was eine effiziente Analyse der Dynamik dieser Systeme erlaubt. Mit der Molekularfeldnäherung und numerischen Simulationen zeigen wir, dass assortative Gradkorrelationen einem neuronalen System ermöglichen, seine Aktivität bei geringer externer Anregung aufrecht zu erhalten und somit besonders sensitiv auf schwache Stimuli zu reagieren. / An important question in neuroscience is how the structure and dynamics of a neuronal network relate to each other. We approach this problem by modeling the spiking activity of large-scale neuronal networks that exhibit several complex network properties. Our main focus lies on the relevance of two particular attributes for the dynamics, namely structural heterogeneity and degree correlations. As a central result, we introduce a novel mean-field method that makes it possible to calculate the average activity of heterogeneous, degree-correlated neuronal networks without having to simulate each neuron explicitly. We find that the connectivity structure is sufficiently captured by a reduced matrix that contains only the coupling between the populations. With the mean-field method and numerical simulations we demonstrate that assortative degree correlations enhance the network’s ability to sustain activity for low external excitation, thus making it more sensitive to small input signals.

Zufällige Bewegungen wie Diffusion sind ein allgegenwärtiges Phänomen, anzufinden nicht nur in der Physik. Das Hauptobjekt von Diffusionsmodellen ist oft die mittlere quadratische Verschiebung eines Teilchens, welche für sogenannte normal-diffusive Prozesse linear mit der Zeit anwächst. Anomale Diffusion bezeichnet Prozesse, für welche sie nicht-linear wächst; ein wichtiges Beispiel ist die Bewegung großer Moleküle in biologischen Zellen. Erscheinungen wie schwache Ergodizitätsbrechung sind ebenfalls bei anomaler Diffusion zu finden, und es gibt viele mathematische Modelle zu ihrer Beschreibung. Oft ist es schwierig für ein bestimmtes Experiment das "richtige" Modell, d.h. die physikalische Ursache der Anomalie, zu finden. Eine Methode zur Trennung oder Identifikation der physikalischen Ursachen wird also dringend benötigt. In dieser Arbeit stellten wir uns diesem Problem. Zuerst betrachteten wir ein recht allgemeines Modell zur Diffusion in ungeordneten Medien. Mithilfe der Netzwerktheorie trennten wir zwei Mechanismen, nämlich energetische und strukturelle Unordnung, welche beide zu anomaler Diffusion führen. Diese Klassen wurden dann in die Sprache der stochastischen Prozesse übertragen. Das erlaubte uns eine einfache Methode, die des fundamentalen Momentes, zu formulieren. Jene Methode ist in der Lage die energetischen und strukturellen Anteile eines Diffusionsprozesses voneinander zu trennen. Zuletzt behandelten wir Ergodizität und Ergodizitätsbrechung aus der Sicht der energetischen und strukturellen Unordnung. / Random motion, in particular diffusion, is a ubiquitous phenomenon that is encountered not only in physics. The main object of a diffusion model is usually the mean squared displacement (msd) of a particle, which for so-called normal diffusion grows linearly in time. Anomalous diffusion denotes processes, in which the msd grows non-linearly; an important example is the motion of large molecules in biological cells. Many interesting properties like weak ergodicity breaking are connected to anomalous diffusion, and there are many mathematical models exhibiting anomalous behaviour. Given an experiment, it is often difficult to decide, what is the "correct" model, i.e. the physical cause for the anomaly. Therefore, a method capable of separation and identification of different physical mechanisms is urgently required. This thesis approached the mentioned issue. First of all, we considered a quite general model for diffusion in disordered media. We used some network theory to distinguish two physical mechanisms - energetic and structural disorder. Both cause anomalous diffusion. Those classes of disorder were then translated into the language of stochastic processes. This put ourselves in position to propose a simple method, the fundamental moment, that is capable of separating the energetic and structural components of a diffusion process. At last, we discussed ergodicity and ergodicity breaking from the point of view of energetic and structural disorder.