Universität zu Köln

Rapp, Hannes Andreas ORCID: 0000-0002-4477-3692 (2020). Spiking neural models & machine learning for systems neuroscience: Learning, Cognition and Behavior. PhD thesis, Universität zu Köln.

Preview

PDF Diss_final_merged_epub.pdf - Published Version Download (21MB) | Preview

Abstract

Learning, cognition and the ability to navigate, interact and manipulate the world around us by performing appropriate behavior are hallmarks of artificial as well as biological intelligence. In order to understand how intelligent behavior can emerge from computations of neural systems, this thesis suggests to consider and study learning, cognition and behavior simultaneously to obtain an integrative understanding. This involves building detailed functional computational models of nervous systems that can cope with sensory processing, learning, memory and motor control to drive appropriate behavior. The work further considers how the biological computational substrate of neurons, dendrites and action potentials can be successfully used as an alternative to current artificial systems to solve machine learning problems. It challenges the simplification of currently used rate-based artificial neurons, where computational power is sacrificed by mathematical convenience and statistical learning. To this end, the thesis explores single spiking neuron computations for cognition and machine learning problems as well as detailed functional networks thereof that can solve the biologically relevant foraging behavior in flying insects. The obtained results and insights are new and relevant for machine learning, neuroscience and computational systems neuroscience. The thesis concludes by providing an outlook how application of current machine learning methods can be used to obtain a statistical understanding of larger scale brain systems. In particular, by investigating the functional role of the cerebellar-thalamo-cortical system for motor control in primates.

Item Type:	Thesis (PhD thesis)
Translated abstract:	Abstract Language Die Fähigkeiten des Lernens, der Wahrnehmung sowie in der Umwelt zu navigieren, mit ihr zu interagieren und durch unser Verhalten zu verändern, sind charakteristische Eigenschaften der künstlichen Intelligenz und von intelligenten biologischen Systemen. Ziel ist es zu verstehen, wie aus einem Nervensystems intelligentes Verhalten und Handeln entstehen kann. Die Arbeit im Rahmen dieser Dissertation schlägt hierzu vor, Lernen, Kognition und Verhalten gleichzeitig als einheitliches System zu betrachten um zu einem ganzheitlichen Verständnis zu gelangen. Der Ansatz in dieser Arbeit basiert auf dem Erstellen von detailierten funktionalen Computermodellen von biologischen neuronalen Systemen. Diese Systeme sollen hierbei gleichzeitig in der Lage sein sensorische Informationen zu verarbeiten, zu Lernen, zu speichern und diese in Steuerungssignale zur Ausübung des gewünschten Verhaltens zu übersetzen. Desweiteren untersucht die Arbeit, inwiefern biologische neuronale Systeme, basierend auf Neuronen, Dendriten und Aktionspotentialen, als Alternative zu aktuellen Methoden des maschinellen Lernens herangezogen werden können, um relevante Probleme im Feld der künstlichen Intelligenz (KI) zu lösen. Es wird hinterfragt, ob die aktuell verwendeten künstlichen Systeme aus raten-basierten Neuronen eine zu einfache Abstraktion darstellen und wichtige Rechenleistung zu Gunsten von mathematisch einfacher zu handhabenden Modellen geopfert wird. Hierzu wird die Rechenleistung von einzelnen, spikenden Neuronen untersucht und auf ihre Leistungsfähigkeit zur Lösung von biologisch motivierten kognitiven und KI relevanten Problemen geprüft. Weiterhin werden detaillierte, funktionale Netzwerke aus solchen Neuronen erstellt, basierend auf der Physiologie sensorischer Systeme in Insekten. Die Modelle werden anschließend verwendet um das biologisch relevante Verhalten der Nahrungssuche von fliegenden Insekten zu untersuchen und nachzubilden. Die zusammengefassten Ergebnisse und gesammelten Erkenntnisse dieser Arbeit sind neu und von hoher Relevanz für die Forschungsgebiete des maschinellen Lernens, Neurowissenschaften und Computational Systems Neuroscience. Die Arbeit schließt mit einen Ausblick, wie Methoden des maschinellen Lernens verwendet werden können, um ein statistisches Verständnis über Systeme in höher entwickelteren Gehirnen zu erlangen, für die aktuell keine funktionalen und detailierten Computermodelle erstellt werden können. Im konkreten Fall wird untersucht, welche Funktion dem cerebellar-thalamo-cortical System bei der Steuerung und Koordination von Bewegung zukommt. German
Creators:	Creators Email ORCID ORCID Put Code Rapp, Hannes Andreas UNSPECIFIED orcid.org/0000-0002-4477-3692 UNSPECIFIED
URN:	urn:nbn:de:hbz:38-113604
Date:	25 June 2020
Language:	English
Faculty:	Faculty of Mathematics and Natural Sciences
Divisions:	Faculty of Mathematics and Natural Sciences > Department of Biology > Zoologisches Institut
Subjects:	Data processing Computer science Natural sciences and mathematics Life sciences Technology (Applied sciences)
Uncontrolled Keywords:	Keywords Language Systems neuroscience; machine learning; spiking neural networks; artificial intelligence; learning; cognition; behavior; computational neuroscience; computational model; neural network; mushroom body; insect; network model English Systems neuroscience; Maschinelles Lernen; spikendes neuronales netzwerk; netzwerkmodell; künstliche Intelligenz; Lernen; Kognition; Verhalten; computer modell; neuronales netzwerk; mushroom body; Insekt German
Date of oral exam:	26 May 2020
Referee:	Name Academic Title Nawrot, Martin Paul Prof. Dr. Daun, Silvia Prof. Dr. Nowotny, Thomas Prof. Dr.
Funders:	DFG FOR 2705 Grant No. 403329959
Refereed:	Yes
URI:	http://kups.ub.uni-koeln.de/id/eprint/11360