Temporal-Pattern Learning in Neural Models

در حالی که توانایی حیوانات در یادگیری ریتم ها یک واقعیت غیرقابل انکار است، مکانیسم های عصبی فیزیولوژیکی زیربنایی هنوز حدسیات بیش نیستند. این مونوگراف الزامات چنین مکانیسم‌هایی را بررسی می‌کند، مکانیسم‌هایی را که قبلاً پیشنهاد شده بود را مرور می‌کند و یک مورد جدید را بر اساس کدگذاری الکتریکی مستقیم فرکانس‌های تحریک فرض می‌کند. پشتیبانی ذهنی تجربی برای گزینه انتخاب شده هم در سطح تک نرون و هم در سطح شبکه عصبی ارائه می شود. به طور خاص، مطالب ارائه شده به طور طبیعی به چهار بخش تقسیم می شود: شرح چارچوب تجربی و نظری که در آن این کار معنادار می شود (فصل 2)، مشخصات دقیق مدل نورون ضربان ساز پیشنهاد شده همراه با اعتبار سنجی آن از طریق شبیه سازی (فصل 3) ، یک مطالعه تحلیلی از رفتار این مدل هنگام ارائه به تحریک ریتمیک (فصل 4) و توصیف مدل شبکه عصبی پیشنهادی برای یادگیری، همراه با تجزیه و تحلیل نتایج شبیه‌سازی به‌دست‌آمده در هنگام تغییر چندین عامل مرتبط با اتصال. پارامترهای درون عصبی، حالت اولیه و شرایط تحریک (فصل 5). این کار در دپارتمان علوم کامپیوتر و اطلاعات دانشگاه ماساچوست، آمهرست آغاز شد و در مؤسسه Lber n e t Lca دانشگاه پولی‌تکنیک کاتالونیا، بارسلون تکمیل شد. رایانه‌های این کشور کاتالانی را به‌عنوان زبان مادری خود پذیرفته‌اند و بنابراین برخی از چهره‌های رایانه‌ای در این مونوگراف، به‌ویژه آن‌هایی که در فصل 5 هستند، به این زبان برچسب‌گذاری شده‌اند.

While the ability of animals to learn rhythms is an unquestionable fact, the underlying neurophysiological mechanisms are still no more than conjectures. This monograph explores the requirements of such mechanisms, reviews those previously proposed and postulates a new one based on a direct electric coding of stimulation frequencies. Experi­ mental support for the option taken is provided both at the single neuron and neural network levels. More specifically, the material presented divides naturally into four parts: a description of the experimental and theoretical framework where this work becomes meaningful (Chapter 2), a detailed specifica­ tion of the pacemaker neuron model proposed together with its valida­ tion through simulation (Chapter 3), an analytic study of the behavior of this model when submitted to rhythmic stimulation (Chapter 4) and a description of the neural network model proposed for learning, together with an analysis of the simulation results obtained when varying seve­ ral factors related to the connectivity, the intraneuronal parameters, the initial state and the stimulation conditions (Chapter 5). This work was initiated at the Computer and Information Science Depart­ ment of the University of Massachusetts, Amherst, and completed at the Institut de c Lber n e t Lca of the Universitat Politecnica de Catalunya, Barcelona. Computers at the latter place have adopted Catalan as their mother tongue and thus some computer-made figures in this monograph, specially those in Chapter 5, appear labeled in that tongue.