Form Versus Function: Theory and Models for Neuronal Substrates

این پایان نامه به یکی از اساسی ترین چالش های علم مدرن می پردازد: چگونه مغز به عنوان شبکه ای از نورون ها می تواند اطلاعات را پردازش کند، چگونه می تواند مدل های داخلی دنیای ما را ایجاد و ذخیره کند، و چگونه می تواند از داده های مبهم نتیجه گیری کند؟ نویسنده به این سؤالات با زبان دقیق ریاضیات و فیزیک نظری می پردازد، رویکردی که به درجه بالایی از انتزاع برای انتقال نتایج زیست شناسی آزمایشگاهی مرطوب به مدل های رسمی نیاز دارد. این پایان نامه با توصیف عمیقی از آخرین هنر در علوم اعصاب نظری شروع می شود، که متعاقباً از آن به عنوان مبنایی برای توسعه چندین ایده جدید و بدیع استفاده می کند. نویسنده در سراسر متن، شکل و عملکرد شبکه های عصبی را به هم مرتبط می کند. این به منظور دستیابی به عملکرد عملکردی مغزهای بیولوژیکی با انتقال شکل آنها به بسترهای الکترونیک مصنوعی انجام می شود، رویکردی که به عنوان محاسبات نورومورفیک شناخته می شود. این جنبه آشکار که این انتقال هرگز نمی تواند کامل باشد، اما لزوماً منجر به تفاوت های عملکردی می شود، اثبات شده و به تفصیل مورد بررسی قرار گرفته است. نویسنده همچنین تفسیر جدیدی از فعالیت شلیک نورون ها را معرفی می کند. او یک تفسیر احتمالی از این فعالیت پیشنهاد می‌کند و با استفاده از مشتقات رسمی نشان می‌دهد که نورون‌های تصادفی می‌توانند از توزیع‌های احتمال ذخیره‌شده درونی نمونه‌برداری کنند. این با یافته‌های اخیر نویسنده تأیید می‌شود، که تأیید می‌کند ویژگی‌های بیولوژیکی مانند وضعیت رسانایی بالای شبکه‌ها این مکانیسم را ممکن می‌سازد. نویسنده در ادامه نشان می‌دهد که نمونه‌برداری عصبی را می‌توان بر روی مدارهای عصبی مصنوعی پیاده‌سازی کرد و راه را برای کاربردهای آینده در یادگیری ماشین و محاسبات شناختی، به‌عنوان مثال به‌عنوان پیاده‌سازی انرژی کارآمد شبکه‌های یادگیری عمیق، هموار کرد. این پایان نامه یک منبع ضروری برای تازه واردان به این رشته و یک الهام برای دانشمندانی است که در علوم اعصاب نظری و آینده محاسبات کار می کنند.

This thesis addresses one of the most fundamental challenges for modern science: how can the brain as a network of neurons process information, how can it create and store internal models of our world, and how can it infer conclusions from ambiguous data? The author addresses these questions with the rigorous language of mathematics and theoretical physics, an approach that requires a high degree of abstraction to transfer results of wet lab biology to formal models. The thesis starts with an in-depth description of the state-of-the-art in theoretical neuroscience, which it subsequently uses as a basis to develop several new and original ideas. Throughout the text, the author connects the form and function of neuronal networks. This is done in order to achieve functional performance of biological brains by transferring their form to synthetic electronics substrates, an approach referred to as neuromorphic computing. The obvious aspect that this transfer can never be perfect but necessarily leads to performance differences is substantiated and explored in detail. The author also introduces a novel interpretation of the firing activity of neurons. He proposes a probabilistic interpretation of this activity and shows by means of formal derivations that stochastic neurons can sample from internally stored probability distributions. This is corroborated by the author’s recent findings, which confirm that biological features like the high conductance state of networks enable this mechanism. The author goes on to show that neural sampling can be implemented on synthetic neuromorphic circuits, paving the way for future applications in machine learning and cognitive computing, for example as energy-efficient implementations of deep learning networks. The thesis offers an essential resource for newcomers to the field and an inspiration for scientists working in theoretical neuroscience and the future of computing.