Rechenbetonter neuroscience ist die Studie der Gehirnfunktion in Bezug auf die Informationsverarbeitungseigenschaften der Strukturen, die das Nervensystem zusammensetzen. Es ist eine zwischendisziplinarische Wissenschaft, die die verschiedenen Felder von neuroscience, Erkenntnistheorie und Psychologie mit Elektrotechnik, Informatik, Mathematik und Physik verbindet.

Rechenbetonter neuroscience ist von psychologischem connectionism und Theorien des Lernens aus Disziplinen wie das Maschinenlernen, die Nervennetze und die rechenbetonte Lerntheorie verschieden, in der es Beschreibungen von funktionellen und biologisch realistischen Neuronen (und Nervensysteme) und ihre Physiologie und Dynamik betont. Diese Modelle gewinnen die wesentlichen Eigenschaften des biologischen Systems an vielfachen raumzeitlichen Skalen, von Membranenströmen, Protein und chemischer Kopplung, um Schwingungen, säulenartige und topografische Architektur und das Lernen und Gedächtnis zu vernetzen. Diese rechenbetonten Modelle werden verwendet, um Hypothesen einzurahmen, die durch aktuelle oder zukünftige biologische und/oder psychologische Experimente direkt geprüft werden können.

Geschichte

Der Begriff "rechenbetonter neuroscience" wurde von Eric L. Schwartz eingeführt, der eine Konferenz, gehalten 1985 in Carmel, Kalifornien auf Bitte vom Systementwicklungsfundament organisiert hat, um eine Zusammenfassung des aktuellen Status eines Feldes zur Verfügung zu stellen, auf das bis zu diesem Punkt durch eine Vielfalt von Namen, wie das Nervenmodellieren, die Gehirntheorie und die Nervennetze verwiesen wurde. Die Verhandlungen dieser definitorischen Sitzung wurden später als das Buch "Rechenbetonter Neuroscience" (1990) veröffentlicht.

Die frühen historischen Wurzeln des Feldes können zur Arbeit von Leuten wie Louis Lapicque, Hodgkin & Huxley, Hubel & Wiesel und David Marr verfolgt werden, um nur einige zu nennen. Lapicque hat das integrierte Modell und Feuermodell des Neurons in einem 1907 veröffentlichten Samenartikel eingeführt; dieses Modell ist noch eines der populärsten Modelle in rechenbetontem neuroscience sowohl für Zell-als auch für Nervennetzstudien, sowie in mathematischem neuroscience wegen seiner Einfachheit (sieh den neuen Übersichtsartikel veröffentlicht kürzlich für das Jahrhundert von 1907-Papier des ursprünglichen Lapicques - diese Rezension enthält auch eine englische Übersetzung des ursprünglichen Papiers). Ungefähr 40 Jahre später hat Hodgkin & Huxley die Stromspannungsklammer entwickelt und hat das erste biophysical Modell des Handlungspotenzials geschaffen. Hubel & Wiesel hat entdeckt, dass Neurone im primären Sehkortex, das erste cortical Gebiet, um Information zu bearbeiten, die aus der Netzhaut kommt, empfängliche Felder orientiert haben und in Säulen organisiert werden. Die Arbeit von David Marr hat sich auf die Wechselwirkungen zwischen Neuronen konzentriert, rechenbetonte Annäherungen an die Studie dessen andeutend, wie funktionelle Gruppen von Neuronen innerhalb des hippocampus und neocortex aufeinander wirken, versorgen, bearbeiten, und Information übersenden. Das rechenbetonte Modellieren von biophysically realistischen Neuronen und Dendriten hat mit der Arbeit von Wilfrid Rall mit dem ersten multicompartmental Modell mit der Kabeltheorie begonnen.

Hauptthemen

Die Forschung in rechenbetontem neuroscience kann in mehrere Linien der Untersuchung grob kategorisiert werden. Die meisten rechenbetonten neuroscientists arbeiten nah mit experimentalists im Analysieren neuartiger Daten und Synthetisieren neuer Modelle von biologischen Phänomenen zusammen.

Das Modellieren des einzelnen Neurons

Sogar einzelne Neurone haben Komplex biophysical Eigenschaften. Hodgkins ursprüngliches Modell und Huxleys hat nur zwei mit der Stromspannung empfindliche Ströme, das schnell handelnde Natrium und das nach innen berichtigende Kalium verwendet. Obwohl erfolgreich, im Voraussagen des Timings und der qualitativen Eigenschaften des Handlungspotenzials hat es dennoch gescheitert, mehrere wichtige Eigenschaften wie Anpassung und das Rangieren vorauszusagen. Wissenschaftler glauben jetzt, dass es ein großes Angebot an mit der Stromspannung empfindlichen Strömen gibt, und die Implikationen der sich unterscheidenden Dynamik, Modulationen und Empfindlichkeit dieser Ströme ein wichtiges Thema von rechenbetontem neuroscience sind.

Die rechenbetonten Funktionen von komplizierten Dendriten sind auch unter der intensiven Untersuchung. Es gibt einen großen Körper der Literatur bezüglich, wie verschiedene Ströme mit geometrischen Eigenschaften von Neuronen aufeinander wirken.

Einige Modelle verfolgen auch biochemische Pfade an sehr kleinen Skalen wie Stacheln oder synaptic Spalten.

Es gibt viele Softwarepakete, wie ENTSTEHUNG und NEURON, die schnell und systematisch im Silico-Modellieren von realistischen Neuronen erlauben. Blaues Gehirn, ein Projekt, das von Henry Markram vom École Polytechnique Fédérale de Lausanne gegründet ist, hat zum Ziel, ausführlich berichtete Simulation eines biophysically einer cortical Säule auf dem Blauen Gensupercomputer zu bauen.

Entwicklung, axonal das Mustern und die Leitung

Wie tun, formen sich axons und Dendriten während der Entwicklung? Wie tun, wissen axons, wo man ins Visier nimmt, und wie man diese Ziele erreicht? Wie wandern Neurone zur richtigen Position in den zentralen und peripherischen Systemen ab? Wie formen sich Synapsen? Wir wissen von der molekularen Biologie, dass verschiedene Teile des Nervensystems verschiedene chemische Stichwörter von Wachstumsfaktoren bis Hormone veröffentlichen, die abstimmen und das Wachstum und die Entwicklung von funktionellen Verbindungen zwischen Neuronen beeinflussen.

Theoretische Untersuchungen der Bildung und des Musterns der synaptic Verbindung und Morphologie sind noch werdend. Eine Hypothese, die kürzlich etwas Aufmerksamkeit gespeichert hat, ist die minimale telegrafierende Hypothese, die verlangt, dass die Bildung von axons und Dendriten effektiv Betriebsmittelzuweisung minimiert, während sie maximale Informationslagerung aufrechterhält.

Sinnesverarbeitung

Frühe Modelle der innerhalb eines theoretischen Fachwerks verstandenen Sinnesverarbeitung werden Horace Barlow kreditiert. Etwas ähnlich der minimalen telegrafierenden in der vorhergehenden Abteilung beschriebenen Hypothese hat Barlow die Verarbeitung der frühen Sinnessysteme verstanden, um eine Form des effizienten Codierens zu sein, wo die Neurone Information verschlüsselt haben, die die Zahl von Spitzen minimiert hat. Experimentelle und rechenbetonte Arbeit hat diese Hypothese in einer Form oder einem anderen seitdem unterstützt.

Die aktuelle Forschung in der Sinnesverarbeitung wird unter dem Biophysical-Modellieren von verschiedenen Subsystemen und mehr theoretischem Modellieren der Wahrnehmung geteilt. Aktuelle Modelle der Wahrnehmung haben darauf hingewiesen, dass das Gehirn eine Form der Schlussfolgerung von Bayesian und Integration der verschiedenen Sinnesinformation im Erzeugen unserer Wahrnehmung der physischen Welt durchführt.

Gedächtnis und synaptic Knetbarkeit

Frühere Modelle des Gedächtnisses basieren in erster Linie auf den Postulaten des Lernens von Hebbian. Biologisch relevante Modelle wie Netz von Hopfield sind entwickelt worden, um die Eigenschaften des assoziativen aber nicht zufriedenen-addressable Stils des Gedächtnisses zu richten, die in biologischen Systemen vorkommen. Diese Versuche konzentrieren sich in erster Linie auf die Bildung des mittelfristigen und langfristigen Gedächtnisses, im hippocampus lokalisierend. Modelle des Arbeitsgedächtnisses, sich auf Theorien von Netzschwingungen und beharrlicher Tätigkeit verlassend, sind gebaut worden, um einige Eigenschaften des vorfrontalen Kortexes im Zusammenhang-zusammenhängenden Gedächtnis zu gewinnen.

Eines der Hauptprobleme im neurophysiological Gedächtnis ist, wie es aufrechterhalten und durch vielfache zeitliche Rahmen geändert wird. Nicht stabile Synapsen sind leicht sich auszubilden sondern auch anfällig für die stochastische Störung. Stabile Synapsen vergessen weniger leicht, aber sie sind auch härter sich zu festigen. Eine neue rechenbetonte Hypothese schließt Kaskaden der Knetbarkeit ein, die Synapsen erlauben, an vielfachen zeitlichen Rahmen zu fungieren. Stereochemisch ausführlich berichtete Modelle des Azetylcholins Empfänger-basierte Synapse mit der Methode von Monte Carlo, am zeitlichen Rahmen von Mikrosekunden arbeitend, sind gebaut worden. Es ist wahrscheinlich, dass rechenbetonte Werkzeuge außerordentlich zu unserem Verstehen wie Synapse-Funktion und Änderung in Bezug auf den Außenstimulus in den kommenden Jahrzehnten beitragen werden.

Handlungsweisen von Netzen

Biologische Neurone werden mit einander auf eine komplizierte, wiederkehrende Mode verbunden. Diese Verbindungen, sind verschieden von den meisten künstlichen Nervennetzen, spärlich und am wahrscheinlichsten, spezifisch. Es ist nicht bekannt, wie Information durch solche wenig verbundenen Netze übersandt wird. Es ist auch unbekannt, wie die rechenbetonten Funktionen, falls etwa, dieser spezifischen Konnektivitätsmuster sind.

Die Wechselwirkungen von Neuronen in einem kleinen Netz können häufig auf einfache Modelle wie das Modell von Ising reduziert werden. Die statistische Mechanik solcher einfachen Systeme wird theoretisch gut charakterisiert. Es hat einige neue Beweise gegeben, die darauf hinweisen, dass die Dynamik von willkürlichen neuronal Netzen auf pairwise Wechselwirkungen reduziert werden kann. (Schneidman u. a. 2006; Shlens u. a. 2006.) ist Es jedoch unbekannt, ob solche beschreibenden Triebkräfte wichtige rechenbetonte Funktion geben. Mit dem Erscheinen der Zwei-Fotonen-Mikroskopie und der Kalzium-Bildaufbereitung haben wir jetzt starke experimentelle Methoden, mit denen man die neuen Theorien bezüglich neuronal Netze prüft.

In einigen Fällen können die komplizierten Wechselwirkungen zwischen hemmenden und excitatory Neuronen mit der Mittelfeldtheorie vereinfacht werden, die Bevölkerungsmodell von Nervennetzen verursacht. Während viele Neuro-Theoretiker solche Modelle mit der reduzierten Kompliziertheit bevorzugen, behaupten andere, dass das Aufdecken von Struktur-Funktionsbeziehungen einschließlich so viel neuronal und Netzstruktur wie möglich abhängt. Modelle dieses Typs werden normalerweise in großen Simulierungsplattformen wie ENTSTEHUNG oder Neuron gebaut. Es hat einige Versuche gegeben, vereinigte Methoden zur Verfügung zu stellen, die überbrücken und diese Niveaus der Kompliziertheit integrieren.

Erkennen, Urteilsvermögen und das Lernen

Das rechenbetonte Modellieren von höheren kognitiven Funktionen hat nur kürzlich begonnen. Experimentelle Angaben kommen in erster Linie aus der Aufnahme der einzelnen Einheit in Primaten. Der frontale Lappen und parietal Lappen fungieren als Integratoren der Information von vielfachen Sinnesmodalitäten. Es gibt einige versuchsweise Ideen bezüglich, wie einfache gegenseitig hemmende funktionelle Stromkreise in diesen Gebieten biologisch relevante Berechnung ausführen können.

Das Gehirn scheint im Stande zu sein, zu unterscheiden und sich besonders gut in bestimmten Zusammenhängen anzupassen. Zum Beispiel scheinen Menschen, eine enorme Kapazität zu haben, um Gesichter sich einzuprägen und anzuerkennen. Eine der Schlüsselabsichten von rechenbetontem neuroscience soll analysieren, wie biologische Systeme diese komplizierte Berechnung effizient ausführen und potenziell diese Prozesse im Gebäude intelligenter Maschinen wiederholen.

Die groß angelegten organisatorischen Grundsätze des Gehirns werden durch viele Felder, einschließlich der Biologie, Psychologie und klinischen Praxis illuminiert. Einheitlicher neuroscience versucht, diese Beobachtungen durch vereinigte beschreibende Modelle und Datenbanken von Verhaltensmaßnahmen und Aufnahmen zu konsolidieren. Das ist die Basis für etwas quantitatives Modellieren der groß angelegten Gehirntätigkeit.

Bewusstsein

Eine der äußersten Absichten von psychology/neuroscience soll im Stande sein, die tägliche Erfahrung des bewussten Lebens zu erklären. Francis Crick und Christof Koch haben einige Versuche in der Formulierung eines konsequenten Fachwerks für die zukünftige Arbeit in Nervenkorrelaten des Bewusstseins (NCC) gemacht, obwohl viel von der Arbeit in diesem Feld spekulativ bleibt.

Siehe auch

• Connectionism
• Nervennetz
• Biologische Neuron-Modelle
• Das Nervencodieren
• Gehirncomputer-Schnittstelle
• Nerventechnik
• Neuroinformatics
• Rede von Neurocomputational, die in einer Prozession geht

Referenzen

Allgemeine Verweisungen

Links

Zeitschriften

• Netz: Berechnung in Nervensystemen
• Biologische Kybernetik
• Zeitschrift von rechenbetontem Neuroscience
• Nervenberechnung
• Nervennetze
• Neurocomputing
• Kognitiver Neurodynamics
• Grenzen in rechenbetontem Neuroscience
• PLoS rechenbetonte Biologie
• Grenzen in Neuroinformatics

Software

• Auftauchende Nervensimulierungssoftware.
• Entstehung, ein allgemeines Nervensimulierungssystem.
• ModelDB, eine große Datenbank des offenen Zugangs von Programm-Codes von veröffentlichten rechenbetonten neuroscience Modellen.
• NEST, ein Simulierungswerkzeug für große neuronal Systeme.
• Neuroconstruct, Software, um biologisch realistische 3D-Nervennetze zu entwickeln.
• NEURON, ein Neuron-Simulator, der auch nützlich ist, um Nervennetze vorzutäuschen.
• SNNAP, ein einzelnes Neuron und Nervennetzsimulator-Werkzeug.
• ReMoto, ein webbasierter Simulator des Rückenmarks und der innervated Muskeln des menschlichen Beines.

Konferenzen

• Rechenbetont und Systeme Neuroscience (COSYNE) - ein rechenbetonter neuroscience, der sich mit Systeme neuroscience Fokus trifft.
• Jährlicher Rechenbetonter Neuroscience, der (CNS) - eine jährliche rechenbetonte Neuroscience-Sitzung Entspricht.
• Neural Information Processing Systems (NIPS) - eine jährliche Hauptkonferenz, die andere Maschinenlernthemen ebenso behandelt.
• Computational Cognitive Neuroscience Conference (CCNC) - eine jährliche Konferenz.
• Internationale Konferenz für Kognitiven Neurodynamics (ICCN) - eine jährliche Konferenz.
• Das Vereinigte Königreich Mathematischer Neurosciences, der Sich - eine neue jährliche Konferenz Trifft, hat sich auf mathematische Aspekte konzentriert.
• Die Konferenz von NeuroComp - eine jährliche rechenbetonte neuroscience Konferenz (Frankreich).
• Konferenz von Bernstein für Rechenbetonten Neuroscience (BCCN) - eine jährliche Konferenz in Deutschland, das durch das Netz von Bernstein für Rechenbetonten Neuroscience organisiert ist.
• AREADNE Konferenzen - eine zweijährliche Sitzung, die theoretische und experimentelle Ergebnisse, zurückgehalten sogar Jahre in Santorini, Griechenland einschließt.

Soziale Netze

• Die rechenbetonte Neuroscience Linkedin Gruppe von Maciej Lazarewicz

Websites

• Der rechenbetonte neuroscience von Perlewitz im Web
• Enzyklopädie von Rechenbetontem Neuroscience, ein Teil von Scholarpedia, einer curated erfahrenen Online-Enzyklopädie auf rechenbetontem neuroscience, dynamischen Systemen und Maschinenintelligenz