Modellierung oszillatorischer Gedächtnisprozesse in einem Netzwerk spikender Neurone

• Antragsteller: Professor Dr. Christoph Herrmann
• Fachliche Zuordnung: Allgemeine, Kognitive und Mathematische Psychologie
• Förderung: Förderung von 2008 bis 2012
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 72251163

• Erstellungsjahr: 2012

Zusammenfassung der Projektergebnisse

Das Gehirn kann auf der Basis von Veränderungen an Synapsen eine Gedächtnisrepräsentation für präsentierte Stimuli aufbauen. Dabei kommen drei Lernverfahren zum Einsatz: a) Lernen ohne Lehrer (unsupervised learning), b) Lernen mit Lehrer (supervised learning), c) Lernen mit Belohnung oder (reinforcement learning). Während das menschliche Gehirn ständig alle drei Lernverfahren anwendet, ist in existierende künstliche neuronale Netzwerke meist nur eines der drei Verfahren implementiert. Im vorliegenden Projekt sollte versucht werden, eine Netzwerkarchitektur zu entwickeln, die sowohl durch supervised, unsupervised und reinforcement learning Repräsentationen aufbauen kann. Gleichzeitig sollte evaluiert werden, ob eine solche neuronale Architektur die in Humanexperimenten gemessenen elektrophysiologischen Lern- und Gedächtniskorrelate zeigt. Ziel des Projekts war es, ein besseres Verständnis neuronaler Lern- und Gedächtnisprozesse zu erlangen. Abschließend kann man sagen, dass der geplante Ansatz erfolgreich umgesetzt wurde. Es konnte eine Netzwerkarchitektur implementiert werden, die durch unsupervised learning, supervised learning und durch reinforcement learning ihre synaptischen Gewichte ändert. Die Humanexperimente ergeben für ein Stimulusmaterial, das dem aus der Netzwerksimulation stark ähnelt, vergleichbare Lernkurven.

Projektbezogene Publikationen (Auswahl)

• A biologically plausible winner-takes-all architecture. In: ICIC'09 Proceedings of the Intelligent computing 5th international conference on Emerging intelligent computing technology and applications, 2009, pp. 315-326.
  Sebastian Handrich, Andreas Herzog, Andreas Wolf, Christoph S. Herrmann
  
• Combining supervised, unsupervised, and reinforcement learning in a network of spiking neurons. In: Advances in Cognitive Neurodynamics (II) - Proceedings of the Second International Conference on Cognitive Neurodynamics - 2009, pp. 163-176.
  Sebastian Handrich, Andreas Herzog, Andreas Wolf, Christoph S. Herrmann
  
• Prerequisites for integrating unsupervised and reinforcement learning in a single network of spiking neurons. In: IJCNN'09. Proceedings of the 2009 international joint conference on Neural Networks, 2009, pp. 1025-1030.
  Sebastian Handrich, Andreas Herzog, Andreas Wolf, Christoph S. Herrmann
  
• 2010. Transcranial alternating current stimulation enhances individual alpha activity in human EEG. PLoS One, Vol. 5. 2010, Issue 11:e13766.
  Zaehle, T., Rach, S., Herrmann, C. S.
  
• 2011. Auditory event-related response in visual cortex modulates subsequent visual responses in humans. Journal of Neuroscience, Vol. 31. 2011, Issue 21, pp. 7729-7736.
  Naue, N., Rach, S., Strüber, D., Huster, R. J., Zaehle, T., Körner, U., & Herrmann, C. S.
  
• 2011. Slow oscillating population activity in developing cortical networks: models and experimental results. Journal of Neurophysiology, Vol. 106. 2011, no. 3, pp. 1500-1514.
  Baltz, T., Herzog, A., & Voigt, T.