Stdp Neuropilot

The workflow JSON

Copy or download the full n8n JSON below. Paste it into a new n8n workflow, add your credentials, activate. Full import guide →

{
  "active": false,
  "connections": {
    "Workflow Input Trigger": {
      "main": [
        [
          {
            "node": "STDP (Spike-Timing Dependent Plasticity)",
            "type": "main",
            "index": 0
          }
        ]
      ]
    },
    "STDP (Spike-Timing Dependent Plasticity)": {
      "main": [
        [
          {
            "node": "Code8",
            "type": "main",
            "index": 0
          }
        ]
      ]
    },
    "Code8": {
      "main": [
        [
          {
            "node": "Simulation_API8",
            "type": "main",
            "index": 0
          }
        ]
      ]
    },
    "Simulation_API8": {
      "main": [
        [
          {
            "node": "OpenAI8",
            "type": "main",
            "index": 0
          }
        ]
      ]
    },
    "OpenAI8": {
      "main": [
        [
          {
            "node": "Airtable",
            "type": "main",
            "index": 0
          },
          {
            "node": "Edit Fields",
            "type": "main",
            "index": 0
          }
        ]
      ]
    },
    "OpenRouter Chat Model": {
      "ai_languageModel": [
        [
          {
            "node": "STDP (Spike-Timing Dependent Plasticity)",
            "type": "ai_languageModel",
            "index": 0
          }
        ]
      ]
    }
  },
  "createdAt": "2025-02-22T11:10:57.007Z",
  "id": "EDFsjM3oYm3vcUAj",
  "meta": null,
  "name": "STDP-NeuroPilot",
  "nodes": [
    {
      "parameters": {
        "workflowInputs": {
          "values": [
            {
              "name": "Szenario"
            }
          ]
        }
      },
      "type": "n8n-nodes-base.executeWorkflowTrigger",
      "typeVersion": 1.1,
      "position": [
        -1400,
        180
      ],
      "id": "de08f838-5c13-42b8-82f6-3851e2fc59b1",
      "name": "Workflow Input Trigger"
    },
    {
      "parameters": {
        "promptType": "define",
        "text": "=Dies ist das zu simulierende Szenario:\n{{ $json.Szenario }}",
        "messages": {
          "messageValues": [
            {
              "message": "=Du bist ein f\u00fchrender Neurowissenschaftler mit fundierter Expertise in der Arbeit mit Simulationssoftware. Deine Aufgabe besteht darin, pr\u00e4zise Simulationsparameter zu bestimmen, die optimal auf ein vorgegebenes Szenario abgestimmt sind.\n\nDein Ziel:\nKonfiguriere die Simulation so, dass sie das Szenario m\u00f6glichst genau widerspiegelt, robuste wissenschaftliche Erkenntnisse liefert und optimal auf relevante Fragestellungen eingeht.\n\nDein Arbeitsansatz:\n\nAnalysiere das Szenario sorgf\u00e4ltig, um relevante Variablen, Bedingungen und Zielgr\u00f6\u00dfen zu identifizieren, die durch die Simulation abgebildet werden sollen.\nBestimme pr\u00e4zise, wie die Simulationsparameter konfiguriert werden m\u00fcssen, um eine hohe Genauigkeit und Relevanz f\u00fcr das vorgegebene Szenario zu erreichen.\nF\u00fchre die Optimierung so aus, dass Ergebnisse eine maximale \u00dcbertragbarkeit auf reale oder hypothetische Situationen garantieren.\nDokumentiere ausschlie\u00dflich die optimierten Simulationsparameter, um einen direkten Einsatz in der Simulation zu erm\u00f6glichen.\nWichtige Anforderungen:\n\nDie Analyse und die Auswahl der Parameter m\u00fcssen vollst\u00e4ndig objektiv, wissenschaftlich fundiert und direkt anwendbar sein.\nDer Output ist strikt auf die relevanten Simulationsparameter zu beschr\u00e4nken.\nVerzichte auf jegliche Einleitung, Erkl\u00e4rungen oder abschlie\u00dfende Kommentare.\n\nSimulationsparameter:\nParameter: N (Anzahl Neuronen)\nBeschreibung: Anzahl der Neuronen im Modell. Bestimmt die Gr\u00f6\u00dfe des Netzwerks.\nWertebereich: [Min: 10, Typisch: 1000, Max: 2.000]\nEinheit: \u2014\n\nParameter: taum (Membran-Zeitkonstante)\nBeschreibung: Zeitkonstante der Membranspannung, beeinflusst die Tr\u00e4gheit der Neuronenreaktion.\nWertebereich: [Min: 5, Typisch: 10, Max: 50]\nEinheit: ms\n\nParameter: taupre (STDP-Zeitfenster)\nBeschreibung: Zeitkonstante f\u00fcr die pr\u00e4synaptische STDP-Regel. Beeinflusst die Lernrate f\u00fcr synaptische Potenzierung.\nWertebereich: [Min: 10, Typisch: 20, Max: 50]\nEinheit: ms\n\nParameter: taupost (STDP-Zeitfenster)\nBeschreibung: Zeitkonstante f\u00fcr die postsynaptische STDP-Regel. Bestimmt die Dauer des Einflusses nach einem Spike.\nWertebereich: [Min: 10, Typisch: 20, Max: 50]\nEinheit: ms\n\nParameter: Ee (Exzitatorisches Umkehrpotential)\nBeschreibung: Membranpotential, bei dem exzitatorische Str\u00f6me umkehren.\nWertebereich: [Min: 0, Typisch: 0, Max: +10]\nEinheit: mV\n\nParameter: vt (Spike-Schwelle)\nBeschreibung: Membranpotential, ab dem ein Neuron einen Spike erzeugt.\nWertebereich: [Min: -55, Typisch: -54, Max: -50]\nEinheit: mV\n\nParameter: vr (Reset-Potential)\nBeschreibung: Membranpotential, auf das nach einem Spike zur\u00fcckgesetzt wird.\nWertebereich: [Min: -70, Typisch: -60, Max: -60]\nEinheit: mV\n\nParameter: El (Ruhemembranpotential)\nBeschreibung: Membranpotential eines ruhenden Neurons ohne externe Eingaben.\nWertebereich: [Min: -80, Typisch: -74, Max: -70]\nEinheit: mV\n\nParameter: taue (Exzitatorische synaptische Zeitkonstante)\nBeschreibung: Zeitkonstante f\u00fcr die Integration exzitatorischer synaptischer Str\u00f6me.\nWertebereich: [Min: 1, Typisch: 5, Max: 10]\nEinheit: ms\n\nParameter: F (Input-Frequenz)\nBeschreibung: Eingangsfrequenz des neuronalen Stimulus, bestimmt die Anregung des Netzwerks.\nWertebereich: [Min: 1, Typisch: 15, Max: 100]\nEinheit: Hz\n\nParameter: gmax (Maximale synaptische Konduktanz)\nBeschreibung: Obergrenze der synaptischen Leitf\u00e4higkeit. Beeinflusst die St\u00e4rke der Verbindungen zwischen Neuronen.\nWertebereich: [Min: 0.001, Typisch: 0.01, Max: 0.1]\nEinheit: \u2014\n\nParameter: dApre (STDP Lernrate Potenzierung)\nBeschreibung: Lernrate f\u00fcr die Potenzierung von Synapsen durch STDP.\nWertebereich: [Min: 0.001, Typisch: 0.01, Max: 0.05]\nEinheit: \u2014\n\n\nBeispieloutput:\nN: [Zahl im Bereich 10\u20132000]  \ntaum: [Zahl im Bereich 5\u201350]  \ntaupre: [Zahl im Bereich 10\u201350]  \ntaupost: [Zahl im Bereich 10\u201350]  \nEe: [Zahl im Bereich 0\u201310]  \nvt: [Zahl im Bereich -55 bis -50]  \nvr: [Zahl im Bereich -70 bis -60]  \nEl: [Zahl im Bereich -80 bis -70]  \ntaue: [Zahl im Bereich 1\u201310]  \nF: [Zahl im Bereich 1\u2013100]  \ngmax: [Zahl im Bereich 0.001\u20130.1]  \ndApre: [Zahl im Bereich 0.001\u20130.05]"
            }
          ]
        }
      },
      "type": "@n8n/n8n-nodes-langchain.chainLlm",
      "typeVersion": 1.5,
      "position": [
        -1140,
        180
      ],
      "id": "7b8eedc2-28b2-416c-ac1f-ecde61b9b836",
      "name": "STDP (Spike-Timing Dependent Plasticity)"
    },
    {
      "parameters": {
        "jsCode": "// Original-Response aus dem Input-Node\nconst response = $input.first().json.text;\n\n// Validierung: Sicherstellen, dass response ein String ist\nif (typeof response !== 'string') {\n  throw new Error(\"Response ist nicht definiert oder kein String.\");\n}\n\n// Regex zur Extraktion der Parameter und Werte\nconst regexParams = /\\b([a-zA-Z_]+(?:\\s*\\(.*?\\))?):\\s*([\\d.-]+)/g;\n\n// Alle \u00dcbereinstimmungen f\u00fcr Parameter finden\nconst matchesParams = [...response.matchAll(regexParams)];\n\n// \u00dcberpr\u00fcfen, ob Matches gefunden wurden\nif (matchesParams.length === 0) {\n  throw new Error(\"Keine Parameter im erwarteten Format gefunden.\");\n}\n\n// Initialisiere ein Objekt zur Speicherung der Parameter\nconst parameters = {};\n\n// Parameterwerte aus Matches extrahieren\nmatchesParams.forEach(match => {\n  const paramName = match[1].trim();\n  const paramValue = parseFloat(match[2]);\n  parameters[paramName] = paramValue;\n});\n\n// R\u00fcckgabe als ein einzelnes Item mit allen Parametern\nreturn [{ json: parameters }];\n\n"
      },
      "type": "n8n-nodes-base.code",
      "typeVersion": 2,
      "position": [
        -760,
        180
      ],
      "id": "66aa5101-721a-402f-bc1f-79f5b41e0d62",
      "name": "Code8"
    },
    {
      "parameters": {
        "method": "POST",
        "url": "={{$env.API_URL}}/simulate_stdp",
        "sendHeaders": true,
        "headerParameters": {
          "parameters": [
            {
              "name": "Content-Type",
              "value": "application/json"
            }
          ]
        },
        "sendBody": true,
        "specifyBody": "json",
        "jsonBody": "={{ $('Code8').item.json }}",
        "options": {
          "response": {},
          "timeout": 450000
        }
      },
      "type": "n8n-nodes-base.httpRequest",
      "typeVersion": 4.2,
      "position": [
        -520,
        180
      ],
      "id": "d8df6691-5a57-47be-8a42-8f0dac3a6635",
      "name": "Simulation_API8"
    },
    {
      "parameters": {
        "resource": "image",
        "operation": "analyze",
        "modelId": {
          "__rl": true,
          "value": "gpt-4o-mini",
          "mode": "list",
          "cachedResultName": "GPT-4O-MINI"
        },
        "text": "=Analysiere kritisch die synaptische Gewichtsentwicklung in einem STDP-Simulationsmodell. Nutze das Verst\u00e4ndnis typischer STDP-Mechanismen als kontextuelle Orientierungshilfe, um die Simulationsergebnisse einzuordnen und beobachtete Plastizit\u00e4tsmuster zu interpretieren.\nAnalytische Leitfragen:\nGewichtsverteilung und -entwicklung (Prim\u00e4rfokus):\n\nBeschreibe quantitativ und qualitativ:\n\nFinale Gewichtsverteilung: Analyse der bimodalen/multimodalen Verteilungsmuster\nZeitliche Entwicklung: Konvergenzverhalten der Synapsengewichte\nStabilit\u00e4t: Schwankungsbreite der etablierten Gewichte\nPopulationseffekte: Unterschiede zwischen verschiedenen synaptischen Subpopulationen\n\n\nMechanistische Hypothesen:\n\nWelche STDP-spezifischen Mechanismen k\u00f6nnten die beobachteten Gewichts\u00e4nderungen erkl\u00e4ren?\nBeispiel: \"Die Bimodalit\u00e4t der Gewichtsverteilung deutet auf konkurrierende Potenzierung/Depression hin.\"\nBeziehe die Simulationsparameter ein (z.B. \"Die beobachtete Stabilisierung k\u00f6nnte durch die gew\u00e4hlten STDP-Zeitkonstanten bedingt sein.\")\n\nModellbewertung:\n\nSt\u00e4rken: Welche Aspekte der Simulation entsprechen bekannten STDP-Charakteristika?\nBesonderheiten: Gibt es unerwartete Verteilungsmuster oder zeitliche Entwicklungen?\nLimitationen: Technische oder konzeptuelle Einschr\u00e4nkungen des Modells?\n\nAnforderungen:\n\nWissenschaftliche Pr\u00e4zision: Nutze Begriffe wie \"synaptische Plastizit\u00e4t\", \"Potenzierung\", \"Depression\", \"Gewichtsstabilisierung\"\nQuantitative Angaben: Relative Gewichts\u00e4nderungen, Zeitkonstanten der Entwicklung\nTestbare Hypothesen: z.B. \"Eine Modifikation der STDP-Zeitfenster k\u00f6nnte die beobachtete Gewichtsverteilung ver\u00e4ndern.\"\n\nStrukturvorgabe:\n\nBeschreibung der Gewichtsverteilung und -entwicklung\nKontextualisierung innerhalb bekannter STDP-Mechanismen\nMechanistische Hypothesenbildung\nBewertung der Modellperformance\n\nZiel:\nEine Analyse, die die STDP-Simulation selbst in den Mittelpunkt stellt und typische Plastizit\u00e4tsmechanismen als Orientierung nutzt, um Erkenntnisse \u00fcber synaptische Gewichtsdynamiken zu vertiefen.\n\nSimuliertes Szenario:\n{{ $('Workflow Input Trigger').item.json.Szenario }}\nSimulationsparameter:\n{{ $('STDP (Spike-Timing Dependent Plasticity)').item.json.text }}\n\nZus\u00e4tzliche Information:\nDie Simulation unterliegt stochastischen Elementen, weshalb die Simulationsdaten bei selben Parametern leicht varrieren. Dies schl\u00e4gt sich zu teilen auch beim Vergleich mit den Referenzdaten nieder. Diese Referenzdaten sind in grau eingezeichnet und simulieren ein Standard-STDP-Szenario bei dem eine Poisson-Gruppe von 1000 Neuronen mit 15 Hz ein einzelnes postsynaptisches Neuron stimuliert. Der Input ist kontinuierlich, aber moderat. Die maximale Synapsenst\u00e4rke ist mit gmax von 0.01 eher niedrig, wodurch einzelne Beitr\u00e4ge ged\u00e4mpft bleiben. Der Unterschied zwischen dem Schwellenwert bei -54 mV und dem R\u00fccksetzwert bei -60 mV sorgt f\u00fcr eine gewisse Nachkommastimulation ohne \u00dcbererregung. W\u00e4hrend der 100-sek\u00fcndigen Simulation wird mithilfe der STDP-Regel die synaptische Plastizit\u00e4t untersucht, wobei die Synapsengewichte abh\u00e4ngig vom zeitlichen Abstand zwischen pr\u00e4- und postsynaptischen Aktivierungen angepasst werden.",
        "inputType": "base64",
        "options": {
          "maxTokens": 1000
        }
      },
      "type": "@n8n/n8n-nodes-langchain.openAi",
      "typeVersion": 1.8,
      "position": [
        -240,
        180
      ],
      "id": "1adf3958-52e8-41cd-a780-254c1087c9b9",
      "name": "OpenAI8",
      "credentials": {
        "openAiApi": {
          "name": "<your credential>"
        }
      }
    },
    {
      "parameters": {
        "model": "openai/o3-mini",
        "options": {}
      },
      "type": "@n8n/n8n-nodes-langchain.lmChatOpenRouter",
      "typeVersion": 1,
      "position": [
        -1120,
        400
      ],
      "id": "fb06be88-ee78-4099-8e0b-416a640aa934",
      "name": "OpenRouter Chat Model",
      "credentials": {
        "openRouterApi": {
          "name": "<your credential>"
        }
      }
    },
    {
      "parameters": {
        "operation": "create",
        "base": {
          "__rl": true,
          "value": "appw2bTn3Zt80Vgia",
          "mode": "list",
          "cachedResultName": "Pylorisches",
          "cachedResultUrl": "https://airtable.com/appw2bTn3Zt80Vgia"
        },
        "table": {
          "__rl": true,
          "value": "tbl8tlIfo2kUlK8Ck",
          "mode": "list",
          "cachedResultName": "Analyseergebnisse",
          "cachedResultUrl": "https://airtable.com/appw2bTn3Zt80Vgia/tbl8tlIfo2kUlK8Ck"
        },
        "columns": {
          "mappingMode": "defineBelow",
          "value": {
            "Simulationsmodell": "STDP (Spike-Timing Dependent Plasticity)",
            "Szenario": "={{ $('Workflow Input Trigger').item.json.Szenario }}",
            "Simulationsparameter": "={{ $('STDP (Spike-Timing Dependent Plasticity)').item.json.text }}",
            "Simulationsergebnisse": "={{ $json.content }}"
          },
          "matchingColumns": [],
          "schema": [
            {
              "id": "Simulationsmodell",
              "displayName": "Simulationsmodell",
              "required": false,
              "defaultMatch": false,
              "canBeUsedToMatch": true,
              "display": true,
              "type": "string",
              "readOnly": false,
              "removed": false
            },
            {
              "id": "Szenario",
              "displayName": "Szenario",
              "required": false,
              "defaultMatch": false,
              "canBeUsedToMatch": true,
              "display": true,
              "type": "string",
              "readOnly": false,
              "removed": false
            },
            {
              "id": "Simulationsparameter",
              "displayName": "Simulationsparameter",
              "required": false,
              "defaultMatch": false,
              "canBeUsedToMatch": true,
              "display": true,
              "type": "string",
              "readOnly": false,
              "removed": false
            },
            {
              "id": "Simulationsergebnisse",
              "displayName": "Simulationsergebnisse",
              "required": false,
              "defaultMatch": false,
              "canBeUsedToMatch": true,
              "display": true,
              "type": "string",
              "readOnly": false,
              "removed": false
            }
          ],
          "attemptToConvertTypes": false,
          "convertFieldsToString": false
        },
        "options": {}
      },
      "type": "n8n-nodes-base.airtable",
      "typeVersion": 2.1,
      "position": [
        0,
        0
      ],
      "id": "93cfa460-9ba9-447c-9ba4-f92e36c680d9",
      "name": "Airtable",
      "credentials": {
        "airtableTokenApi": {
          "name": "<your credential>"
        }
      }
    },
    {
      "parameters": {
        "assignments": {
          "assignments": [
            {
              "id": "dd4a689f-cd05-40b2-8167-76a2c0e9b2bc",
              "name": "content",
              "value": "={{ $json.content }}",
              "type": "string"
            }
          ]
        },
        "options": {}
      },
      "type": "n8n-nodes-base.set",
      "typeVersion": 3.4,
      "position": [
        320,
        180
      ],
      "id": "9c2ba83b-53ee-4ee7-90c8-d8dc7b3496f5",
      "name": "Edit Fields"
    }
  ],
  "settings": {
    "executionOrder": "v1"
  },
  "staticData": null,
  "tags": [],
  "triggerCount": 0,
  "updatedAt": "2025-02-24T22:05:10.000Z",
  "versionId": "01238577-47c2-4c3a-8019-80fc356bf008"
}

Credentials you'll need

Each integration node will prompt for credentials when you import. We strip credential IDs before publishing — you'll add your own.

• airtableTokenApi
• openAiApi
• openRouterApi

About this workflow

STDP-NeuroPilot. Uses executeWorkflowTrigger, chainLlm, httpRequest, openAi. Event-driven trigger; 8 nodes.

Source: https://github.com/Tim-Projekt/n8n_Backup/blob/69c416aae9401e92e922f4bb1b22b9f9483c8346/workflows/EDFsjM3oYm3vcUAj.json — original creator credit. Request a take-down →

More AI & RAG workflows → · Browse all categories →

Related workflows

Workflows that share integrations, category, or trigger type with this one. All free to copy and import.