001047102 001__ 1047102
001047102 005__ 20251113093125.0
001047102 0247_ $$aG:(GEPRIS)561027837$$d561027837
001047102 035__ $$aG:(GEPRIS)561027837
001047102 040__ $$aGEPRIS$$chttp://gepris.its.kfa-juelich.de
001047102 150__ $$aEinbettung neuronaler Ensembles und deren Signaturen$$y2025 -
001047102 371__ $$aProfessorin Dr. Sonja Grün
001047102 371__ $$aProfessor Dr. Moritz Helias
001047102 371__ $$aProfessor Michael Schaub, Ph.D.
001047102 450__ $$aDFG project G:(GEPRIS)561027837$$wd$$y2025 -
001047102 5101_ $$0I:(DE-588b)2007744-0$$aDeutsche Forschungsgemeinschaft$$bDFG
001047102 680__ $$aDas Gehirn unterscheidet sich von künstlichen neuronalen Netzen durch die gepulste Kommunikation mit Aktionspotentialen (Spikes). Es gibt zunehmend Evidenz, dass im Gehirn zeitlich abgestimmte Spike-Muster in Bezug zum Verhalten auftreten. Der hier vorliegende Antrag zielt darauf ab, zu verstehen, ob zeitgenaue Spikes für eine robuste und effiziente Informationsverarbeitung wesentlich sind. Diese Frage ist eine zentrale Herausforderung in den Neurowissenschaften und ihre Beantwortung würde die Tür zu neuartigen Formen robuster und energieeffizienter künstlicher neuronaler Netze öffnen. Wir kombinieren hierzu Theorie, Simulation und Experiment. Im theoretischen Ansatz wird die Berechnung in analogen neuromorphen Schaltkreisen und in realistischen Simulationen untersucht: In Paradigma 1) werden Netzwerke mit Time-to-First-Spike-Lernregeln trainiert, die zu zeitlich abgestimmten Spikes führen und so die Netzwerkfunktion implementieren. Paradigma 2) verwendet Reservoir-Computing, bei dem spikende Neuronen typisch asynchron zu feuern und die Netzwerkdynamik dazu dient, Stimuli in einen hochdimensionalen Raum einzubetten. Diese beiden alternativen Paradigmen haben drastisch unterschiedliche Auswirkungen auf die beobachtbare Hirnaktivität und die Graphenstruktur der Netzwerkkonnektivität; während Paradigma 1) zu gerichteter Feed-Forward-Konnektivität und synchronen Spikepaketen führt, zeichnet sich Paradigma 2) durch rekurrent und zufällig verdrahtete Netzwerke aus mit asynchronem Auftreten der Spikes aus. Die Untersuchung der Konnektivität durch Graphen-Signalverarbeitung höherer Ordnung wird es uns ermöglichen, funktionelle Signaturen für beide Hypothesen zu identifizieren, die auch bei Unterabtastung bestehen bleiben. Durch einen experimentellen Multiskalenzugang schlagen wir die Brücke zur Verarbeitung im Gehirn, indem wir spikende Netzwerke als Basis für die Modellierung von messbaren Populationssignalen aus dem Gehirn (VSDI: optische Messung von spannungdempfindlichen Farbstoffen und MEG: Magnetoenzephalographie) nutzen. Vorhersagen für diese räumlich integrierten Signale ist das Einbetten der Netzwerke in den Raum des Kortex. Anhand von Messungen an solchen Modellen planen wir, Methoden zu entwickeln um gemessene Populationssignale in Bezug zum darunterliegenden spikenden Netzwerk zu stellen. Wir erhoffen uns, die Populationssignale als Messantennen zu nutzen und somit die erhebliche Unterabtastung der direkten Spikemessungen zu ueberwinden. Das VSDI misst die Summe der synaptischen Eingänge der Zellen und kann damit sehr empfindlich synchrones Auftreten von Spikes messen. 2) Messungen des ganzen menschlichen Gehirns anhand von MEG (nicht invasiv) ermöglichen es, eine maximal große räumliche Skala bei hoher zeitlicher Auflösung zu erreichen. Der Plan ist, anhand eines iterativen Abgleichs von Modellen an den experimentellen Daten Signaturen zu entdecken, die erlauben, zwischen den beiden Paradigmen zu unterscheiden.
001047102 909CO $$ooai:juser.fz-juelich.de:1047102$$pauthority$$pauthority:GRANT
001047102 980__ $$aG
001047102 980__ $$aAUTHORITY