KIP-Veröffentlichungen

Im menschlichen Gehirn ist im Ruhezustand eine stabile Grundaktivität messbar. In seiner Entwicklung und beim Lernen verändern sich die Synapsen und Neuronen im Gehirn kontinuierlich. Diesen Prozessen muss entgegengewirkt werden um die Stabilität aufrecht zu erhalten. In dieser Arbeit wird eine Regel für synaptische Langzeitplastizität vorgestellt, welche in einem feed–forward Netzwerk die Aktivität stabilisiert. Dieser stabile Punkt wird unabhängig von den Anfangsbedingungen erreicht. Für die vorgestellte Plastizitätsregel wird eine vielfältige Phänomenologie in der Dynamik der Neuronen beobachtet je nach Parametrisierung der Regel. Werden darüber hinaus rekurrente Verbindungen erlaubt, zeigt sich, dass mit der zunehmenden Anzahl an rekurrenten Verbindungen die Sensibilität und das Erinnerungsvermögen des Netzwerkes zunehmen. Desweiteren wird demonstriert, dass diese Regel für unüberwachtes Lernen zur Mustererkennung verwendet werden kann.
Alle Messungen für diese Arbeit wurden auf dem HICANN–DLS durchgeführt, einem neuromorphen System, welches spikende neuronale Netzwerke in einer gemischt analog–digitalen Implementierung emuliert. Diese Arbeit demonstriert dessen Verwendbarkeit und Flexibilität für biologisch motivierte Experimente.

In the human brain’s resting state a stable baseline of irregular activity is observed. Facing changes in the neurons and synapses during learning and evolution these changes must be counterbalanced to maintain stability. This work proposes a long–term synaptic plasticity rule which stabilizes the activity in a feed–forward neural network regardless of the initial conditions. The rule is in particular favorable for large scale systems as it solely depends on the local pre– and postsynaptic spike time correlation. A diverse phenomenology of the neural dynamics is observed for different parameterizations of the plasticity. Applying this rule furthermore to recurrent networks the sensitivity and memory capacity of the network is shown to increase with the degree of recurrence. Last, the synaptic plasticity rule is shown to be capable of simple unsupervised pattern learning.
All measurements for this work are performed on the HICANN–DLS, a spiking, mixed–signal neuromorphic device. This work demonstrates the usability and flexibility of this system for bio–inspired neural network experiments.