h1

001010731 001__ 1010731
001010731 005__ 20250605050947.0
001010731 0247_ $$2HBZ$$aHT031046302
001010731 0247_ $$2Laufende Nummer$$a44297
001010731 0247_ $$2datacite_doi$$a10.18154/RWTH-2025-04286
001010731 020__ $$a978-3-8440-9957-7
001010731 037__ $$aRWTH-2025-04286
001010731 041__ $$aEnglish
001010731 082__ $$a004
001010731 1001_ $$0P:(DE-588)1365101223$$aZajzon, Barna$$b0$$urwth
001010731 245__ $$aSequential information processing in modular spiking networks$$cBarna Zajzon$$honline, print
001010731 260__ $$aDüren$$bShaker Verlag$$c2025
001010731 300__ $$a1 Online-Ressource : Illustrationen
001010731 3367_ $$02$$2EndNote$$aThesis
001010731 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
001010731 3367_ $$0PUB:(DE-HGF)3$$2PUB:(DE-HGF)$$aBook$$mbook
001010731 3367_ $$2BibTeX$$aPHDTHESIS
001010731 3367_ $$2DRIVER$$adoctoralThesis
001010731 3367_ $$2DataCite$$aOutput Types/Dissertation
001010731 3367_ $$2ORCID$$aDISSERTATION
001010731 4900_ $$aAachener Informatik Berichte, Software Engineering$$v56
001010731 502__ $$aDissertation, RWTH Aachen University, 2024$$bDissertation$$cRWTH Aachen University$$d2024$$gFak01$$o2024-05-08
001010731 500__ $$aDruckausgabe: 2025. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University
001010731 5203_ $$aDurch evolutionäre Progresse geformt um mit den statistischen Regelmäßigkeiten der Welt zurecht zu kommen, unterliegen alle Verhaltens- und Erkenntnisprozessen der symbiotischen Beziehung zwischen Struktur, Dynamik und Funktion. Etablierte Paradigmen formulieren diese Prozesse in Begriffen, die die Manipulation von sequentiell organisierten zeitdiskreten (symbolischen) Repräsentationen beinhalten. Dies unterstreicht zwei grundlegende funktionelle Anforderungen, die kortikale Schaltkreise erfüllen müssen: die Fähigkeit, geeignete Repräsentationen aus einer hochgradig unbeständigen und verrauschten Umgebung zu erzeugen, und die Fähigkeit, ihre räumlich-zeitliche Struktur zu verarbeiten und daraus zu lernen. Während die genauen Mechanismen weitgehend unbekannt sind, müssen diese Prozesse im biophysikalischen Substrat des Gehirns implementiert werden, wo die komplexen Interaktionen von Neuronenpopulationen eine hierarchische und modulare Architektur nutzen können, um Informationen auf mehreren räumlichen und zeitlichen Ebenen zu verarbeiten. Aus der Sicht eines Modellierers kann man diese Probleme aus zwei komplementären Blickwinkeln angehen: man kann einige grundlegende Organisationsprinzipien, wie z. B. die Modularität, identifizieren und versuchen, ihre Rolle zu ergründen (Bottom-up); oder man kann sich auf eine spezifische Funktionalität, wie z. B. die Sequenzverarbeitung, konzentrieren und mögliche, biophysikalisch plausible Modelle dafür entwickeln (Top-down). Durch die Kombination von Software-Tools, Simulationsstudien und theoretischen Analysen werden in dieser Arbeit beide Ansätze im Rahmen einer Reihe von Forschungsprojekten verfolgt, mit dem gemeinsamen Ziel, zu entschlüsseln, wie modulare Strukturen neuronale Schaltkreise in die Lage versetzen, sequenzielle Informationen effizient und zuverlässig zu lernen und zu verarbeiten. Im ersten Teil werden die Eigenschaften von Zustandsrepräsentationen in modularen Spiking-Netzwerken und die architektonischen und dynamischen Beschränkungen analysiert, die die Fähigkeit des Systems beeinflussen, Reizinformationen im Beisein von Rauschen zu behalten, zu übertragen und zu integrieren. Es wird die neuartige Hypothese untersucht, dass modulare topografische Karten, ein weit verbreitetes anatomisches Merkmal des Kortex, ein strukturelles Gerüst für die sequentielle Entrauschung von Stimulusrepräsentationen bieten können. Durch die Kombination von Modellierung und Netzwerktheorie zeigt diese Arbeit, dass die Schärfe der topographischen Projektionen als Bifurkationsparameter fungiert und die makroskopische Dynamik und Repräsentationsgenauigkeit des Systems kontrolliert. Eine eingehende theoretische Analyse entschlüsselt die dynamischen Prinzipien, die dem Mechanismus zugrunde liegen, und legt ein robustes und generisches Strukturmerkmal nahe, das eine breite Palette von verhaltensrelevanten Betriebsregimen ermöglicht. Der zweite Teil dieser Arbeit widmet sich der Untersuchung bestehender, biologisch detaillierter Modelle der Sequenzverarbeitung. Wenn wir das in diesen Modellen enthaltene Wissen nutzen und zu einem tieferen mechanistischen Verständnis der beteiligten Phänomene gelangen wollen, ist es von entscheidender Bedeutung, dass die Modelle und ihre Ergebnisse zugänglich, reproduzierbar und quantitativ vergleichbar sind. Wie wichtig diese Aspekte sind, wird zunächst anhand einer Replikationsstudie veranschaulicht. Darauf aufbauend legt die Studie die ersten Schritte zu einem konzeptionellen und praktischen, theoretisch fundierten Rahmen für das Benchmarking und den Vergleich von Sequenzlernmodellen fest. Durch eine solche Meta-Analyse-Studie soll nicht nur eine kritische Bewertung aktueller Modelle vorgenommen werden, sondern auch eine Synthese ihrer Erkenntnisse in Form einer Reihe funktioneller und neurobiologischer Merkmale, die mit experimentellen Daten untermauert werden können und als Leitfaden für künftige Studien dienen.$$lger
001010731 520__ $$aMolded by evolutionary processes to cope with the statistical regularities in the world, the symbiotic relation between the structure, dynamics and function of the neural machinery underlies all behavioral and cognitive processes. Established paradigms formulate these processes in terms that involve the manipulation of sequentially organized time-discrete (symbolic) representations. This underscores two basic functional requirements that cortical circuits must fulfill: the ability to create suitable representations from a highly volatile and noisy environment; and the capacity to process, and learn from, their spatio-temporal structure. While the precise mechanisms are largely unknown, these processes must be implemented in the biophysical substrate of the brain, where the complex interactions of neuronal populations can leverage a hierarchical and modular architecture in order to process information on multiple spatial and temporal scales. From a modeler’s perspective, one can tackle these problems from two complementary angles: identify some fundamental organizing principles, such as modularity, and try to elucidate their role (bottom-up); or focus on a specific functionality, like sequence processing, and devise possible, biophysically plausible models for it (top-down). Combining software tools, simulation studies and theoretical analysis, this thesis touches upon both approaches over the course of a series of research projects, with the shared goal of disentangling how modular structures enable neural circuits to learn and process sequential information in an efficient and reliable manner. The first part analyses the characteristics of state representations in modular spiking networks and the architectural and dynamical constraints that influence the system’s ability to retain, transfer and integrate stimulus information in the presence of noise. It explores the novel hypothesis that modular topographic maps, a pervasive anatomical feature of the cortex, may provide a structural scaffold for sequential denoising of stimulus representations. By combining modeling with network theory, this thesis demonstrates that the sharpness of topographic projections acts as a bifurcation parameter, controlling the macroscopic dynamics and representational precision of the system. In-depth theoretical analysis unravels the dynamical principles underlying the mechanism, and suggests a robust and generic structural feature that enables a broad range of behaviorally-relevant operating regimes. The second part of this work is dedicated to investigating existing, biologically detailed models of sequence processing. If we are to harvest the knowledge within these models and arrive at a deeper mechanistic understanding of the involved phenomena, it is critical that the models and their findings are accessible, reproducible, and quantitatively comparable. First, the importance of these aspects are illustrated through a replication study. Building on this, the study lays the initial steps towards a conceptual and practical, theoretically-grounded framework for benchmarking and comparison of sequence learning models. Through such a meta-analysis study, it aims not only to provide critical evaluation of current models, but also to synthesize their insights into a set of functional and neurobiological features that could be corroborated with experimental data and guide future studies.$$leng
001010731 536__ $$0G:(DE-82)EXS-SF-neuroIC002$$aneuroIC002 - Recurrence and stochasticity for neuro-inspired computation (EXS-SF-neuroIC002)$$cEXS-SF-neuroIC002$$x0
001010731 536__ $$0G:(DE-Juel1)HGF-SMHB-2013-2017$$aSMHB - Supercomputing and Modelling for the Human Brain (HGF-SMHB-2013-2017)$$cHGF-SMHB-2013-2017$$fSMHB$$x1
001010731 536__ $$0G:(GEPRIS)491111487$$aDFG project G:(GEPRIS)491111487 - Open-Access-Publikationskosten / 2025 - 2027 / Forschungszentrum Jülich (OAPKFZJ) (491111487)$$c491111487$$x2
001010731 536__ $$0G:(DE-82)EXS-SF$$aExploratory Research Space: Seed Fund (2) als Anschubfinanzierung zur Erforschung neuer interdisziplinärer Ideen (EXS-SF)$$cEXS-SF$$x3
001010731 588__ $$aDataset connected to Lobid/HBZ
001010731 591__ $$aGermany
001010731 653_7 $$atopography
001010731 7001_ $$0P:(DE-82)IDM04233$$aMorrison, Abigail Joanna Rhodes$$b1$$eThesis advisor$$urwth
001010731 7001_ $$0P:(DE-82)IDM03949$$aSchaub, Michael Thomas$$b2$$eThesis advisor$$urwth
001010731 8564_ $$uhttps://publications.rwth-aachen.de/record/1010731/files/1010731.pdf$$yOpenAccess
001010731 8564_ $$uhttps://publications.rwth-aachen.de/record/1010731/files/1010731_source.zip$$yRestricted
001010731 909CO $$ooai:publications.rwth-aachen.de:1010731$$popenaire$$popen_access$$pVDB$$pdriver$$pdnbdelivery
001010731 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
001010731 9141_ $$y2025
001010731 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-588)1365101223$$aRWTH Aachen$$b0$$kRWTH
001010731 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM04233$$aRWTH Aachen$$b1$$kRWTH
001010731 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM03949$$aRWTH Aachen$$b2$$kRWTH
001010731 9201_ $$0I:(DE-82)124920_20200227$$k124920$$lLehr- und Forschungsgebiet Neural Computation (FZ Jülich)$$x0
001010731 9201_ $$0I:(DE-82)120000_20140620$$k120000$$lFachgruppe Informatik$$x1
001010731 9201_ $$0I:(DE-82)535000-7_20140620$$k535000-7 ; 935810$$lLehr- und Forschungsgebiet für Computational Neuroscience (FZ Jülich)$$x2
001010731 961__ $$c2025-06-04T09:38:13.605085$$x2025-04-29T15:34:40.234706$$z2025-06-04T09:38:13.605085
001010731 9801_ $$aFullTexts
001010731 980__ $$aI:(DE-82)120000_20140620
001010731 980__ $$aI:(DE-82)124920_20200227
001010731 980__ $$aI:(DE-82)535000-7_20140620
001010731 980__ $$aUNRESTRICTED
001010731 980__ $$aVDB
001010731 980__ $$abook
001010731 980__ $$aphd