Общепризнано, что симметрия редко, если вообще когда-либо, является точной в любой биологической системе. Незначительные несовершенства и внешние возмущения неизбежны, что означает, что всегда следует предполагать наличие той или иной степени нарушения симметрии. Однако в области вычислительной нейронауки лишь ограниченное число исследований было сосредоточено на внутренней динамике моделей нейронных сетей в условиях неидеальной симметрии. Данная статья напрямую заполняет этот пробел, исследуя глубокие эффекты преднамеренного нарушения симметрии на динамику модели нейрона с табуированным обучением (TLN). Вводя и изменяя малый параметр возмущения симметрии, мы точно контролируем симметрию модели и раскрываем богатый репертуар ранее не описанных асимметричных динамических поведений. К ним относятся сложные режимы асимметричной мультистабильности, при которых сосуществуют несколько различных устойчивых состояний, и асимметричные хаотические бустерные колебания. Кроме того, мы выявляем наличие нескольких метастабильных или переходных явлений, таких как переходные асимметричные бустерные колебания и переходный хаос, когда система демонстрирует сложное поведение, прежде чем в конечном итоге перейти к более простому аттрактору. Эти сложные динамические особенности систематически иллюстрируются и проверяются с использованием набора инструментов нелинейного анализа. Наша методология включает анализ временных рядов, бифуркационных диаграмм, одномерных и двумерных графиков старшего показателя Ляпунова, дополненных подробными графиками траекторий в фазовом пространстве. Множество новых поведений, обнаруженных в этом исследовании и проистекающих непосредственно из контролируемого нарушения симметрии, представляет собой значительный вклад в области нелинейной динамики и нейроморфного моделирования, подчеркивая критическую роль асимметрии в генерации вычислительной сложности
