Structural plasticity as a connectivity generation and optimization algorithm in neural networks

Diaz Pier, Sandra; Morrison, Abigail Joanna Rhodes; Naumann, Uwe

doi:HT021132738

Structural plasticity as a connectivity generation and optimization algorithm in neural networks

Diaz Pier, Sandra

2021

VerantwortlichkeitsangabeSandra Diaz Pier

ImpressumJülich : Forschungszentrum Jülich GmbH, Zentralbibliothek, Verlag 2021

Umfang1 Online-Ressource (167 Seiten) : Illustrationen, Diagramme

ISBN978-3-95806-577-2

ReiheSchriften des Forschungszentrums Jülich. IAS series ; 47

Dissertation, RWTH Aachen University, 2021

Druckausgabe: 2021. - Onlineausgabe: 2021. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak01

Hauptberichter/Gutachter
Morrison, Abigail Joanna Rhodes (Thesis advisor)^RWTH* ; Naumann, Uwe (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2021-03-11

Online
DOI: 10.18154/RWTH-2021-09810
URL: https://publications.rwth-aachen.de/record/834343/files/834343.pdf

Einrichtungen

Projekte

Inhaltliche Beschreibung (Schlagwörter)
computational neuroscience (frei) ; learning (frei) ; optimization (frei) ; simulation (frei) ; structural plasticity (frei)

Thematische Einordnung (Klassifikation)
DDC: 004

Kurzfassung
Unsere Gehirne werden von Netzwerken aus Neuronen und anderen Zellen gebildet, die Informationen empfangen, filtern, speichern und verarbeiten und Aktionen ausführen. Die Morphologie der Neuronen verändert sich im Laufe der Zeit, ebenso wie die Verbindungen zwischen ihnen. Jahrelang wurde das Gehirn als Momentaufnahme in der Zeit untersucht, aber heute wissen wir, dass die Art und Weise, wie es sich strukturell verändert, stark am Lernen, Heilen und Anpassen beteiligt ist. Das Ensemble der strukturellen Veränderungen, die neuronale Netze im Laufe der Zeit darstellen, wird als strukturelle Plastizität bezeichnet. In dieser Arbeit stelle ich die strukturelle Plastizität von ihren neurobiologischen Grundlagen her und die Umsetzung eines Modells vor, das die Erzeugung und Optimierung der Konnektivität in neuronalen Netzen mit Spikes beschreibt. Ich habe mich auf zwei relevante und offene Fragen in der Gemeinschaft der Computational Neuroscience konzentriert: Wie können wir biologisch inspirierte strukturelle Veränderungen in Simulationen von neuronalen Netzwerken mit Spitzenbildung modellieren und wie können wir dieses Modell und seine Umsetzung zur Optimierung der Konnektivität des Gehirns nutzen, um spezifische wissenschaftliche Fragen im Zusammenhang mit Heilung, Entwicklung und Lernen zu beantworten. Ich stelle mehrere Studien vor, die die Implementierung der strukturellen Plastizität in einem gut etablierten Simulator für neuronale Netze und ihre Anwendung auf verschiedene Arten von neuronalen Netzen erklären. In dieser Arbeit habe ich auch die Anforderungen und Anwendungsfälle für die gemeinsame Entwicklung von Werkzeugen zur Visualisierung und Interaktion mit dem Algorithmus der strukturellen Plastizität definiert. Darüber hinaus stelle ich zwei wissenschaftliche Anwendungen des Strukturplastizitätsmodells in den Bereichen der klinischen Neurowissenschaften und der Informatik vor. Zusammenfassend kann ich sagen, dass meine Dissertation die Grundlage für ein Software-Framework und eine Methodik zur Behandlung komplexer neurowissenschaftlicher Fragen im Zusammenhang mit der Plastizität und den Verbindungen zwischen Struktur und Funktion im Gehirn bildet, mit möglichen Anwendungen nicht nur in den Neurowissenschaften, sondern auch für maschinelles Lernen und Optimierung.

Our brains are formed by networks of neurons and other cells which receive, filter, store and process information and produce actions. The morphology of the neurons changes through time as well as the connections between them. For years the brain has been studied as a snapshot in time, but today we know that the way it structurally changes is strongly involved in learning, healing, and adaptation. The ensemble of structural changes that neural networks present through time is called structural plasticity. In this work, I present structural plasticity from its neurobiological foundations and the implementation of a model to describe generation and optimization of connectivity in spiking neural networks. I have targeted two relevant and open questions in the computational neuroscience community: how can we model biologically inspired structural changes in simulations of spiking neural networks and how can we use this model and its implementation to optimize brain connectivity to answer specific scientific questions related to healing, development, and learning. I present several studies which explain the implementation of structural plasticity in a well established neural network simulator and its application on different types of neural networks. In this thesis I have also defined the requirements and use cases for the co-development of tools to visualize and interact with the structural plasticity algorithm. Moreover, I present two scientific applications of the structural plasticity model in the clinical neuroscience and computer science fields. In conclusion, my thesis provides the basis of a software framework and a methodology to address complex neuroscience questions related to plasticity and the links between structure and function in the brain, with potential applications not only in neuroscience but also for machine learning and optimization.

OpenAccess:
PDF
(additional files)