A spiking network model of oscillatory memory mechanisms

点击翻译按钮获取中文摘要

Das Gehirn kann auf der Basis von Veränderungen an Synapsen eine Gedächtnisrepräsentation für wiederholt präsentierte Stimuli aufbauen. Hierzu ist kein zusätzlicher Input über die Kategoriezugehörigkeit der Stimuli notwendig (unsupervised learning). Des weiteren können auch ohne vielfache Wiederholung Gedächtnisrepräsentationen für Stimuli erlernt werden, wenn die Kategorien angegeben werden (supervised learning), oder sie gepaart mit einer Belohnung oder Bestrafung auftreten (reinforcement learning). Im vorliegenden Projekt soll eine Netzwerkarchitektur entwickelt werden, die sowohl durch supervised, unsupervised und reinforcement learning Repräsentationen aufbauen kann. Gleichzeitig soll evaluiert werden, ob eine solche neuronale Architektur die in Humanexperimenten gemessenen behaviouralen und elektrophysiologischen Lern- und Gedächtniskorrelate zeigt. Da sich insbesondere hirnelektrische Oszillationen als neuronale Korrelate von Lern- und Gedächtnisprozessen herausgestellt haben, sollen diese neben ereigniskorrelierten Potentialen als Observablen herangezogen werden. Mit Hilfe der Simulation sollen Vorhersagen über die Gedächtnisbildung generiert werden, die an Versuchspersonen getestet werden können. Die Ergebnisse der Experimente werden wiederum in das neuronale Netz integriert, wodurch ein Kreislauf aus Modellierung, Vorhersage und Überprüfung im Experiment entsteht. Ziel des Projekts ist es, ein besseres Verständnis neuronaler Lern- und Gedächtnisprozesse zu erlangen.