Flexible Informationsverarbeitung und -integration in modularen Netzwerken
Im Gegensatz zu Maschinen verfügen Netzwerke im Gehirn nur über begrenzte neuronale Ressourcen, und die Informationsverarbeitung wird durch die Biophysik von Synapsen und Neuronen eingeschr?nkt. Da das Gehirn von S?ugetieren den zahlreichen Herausforderungen komplexer Umgebungen ausgesetzt ist, hat es Strategien entwickelt, um bestehende Netzwerke und Strukturen des Gehirns flexibel wiederzuverwenden und sich schnell an ver?nderte Rechenanforderungen anzupassen.
Wir wollen verstehen, wie diese Flexibilit?t erreicht wird und wie die Netzwerke gestaltet sein müssen, um diese F?higkeit zu unterstützen.
Perceptrons flexibel machen!
Wir untersuchen zum Beispiel, wie man eine neue Klasse künstlicher neuronaler Netze (?FlexiTrons“) so trainieren kann, dass sie sofort zwischen der Berechnung verschiedener boolescher Funktionen umschalten k?nnen. Diese Netze entwickeln Verbindungsstrukturen, die sowohl für Flexibilit?t als auch für Funktion optimiert sind. Durch die Einführung biophysikalischer Constraints haben wir einen Kompromiss zwischen Flexibilit?t und Robustheit entdeckt, der durch das hierarchische Verknüpfen 澳门皇冠_皇冠足球比分-劲爆体育erer FlexiTron-Module nach Art der Verschaltung von Arealen im visuellen Kortex verbessert werden kann.
Routing durch Lawinen
Parallel dazu haben wir unsere Theorie über Spike-Lawinen in rekurrenten Netzwerken genutzt, um ein neues Schema für die selektive Weiterleitung visueller Informationen vorzuschlagen. Indem man die Synchronit?t in der neuronalen Repr?sentation eines wahrgenommenen Reizes erh?ht, kann man die Informationen, die an andere visuelle Bereiche weitergeleitet werden, um einen Faktor verst?rken, der um ein Vielfaches h?her ist als die damit verbundene Modulation der neuronalen Feuerungsraten, was eine elegante Erkl?rung für physiologische Daten liefert.