Preprint 27/2000

Kognitive Modellierung mit künstlichen neuronalen Netzen

Thomas Wennekers and Günther Palm

Contact the author: Please use for correspondence this email.
Submission date: 17. Apr. 2000
Pages: 57
Bibtex
Download full preprint: PDF (566 kB), PS ziped (249 kB)

Abstract:
Wir betrachten Modelle kognitiver Phänomene auf der Grundlage Hebbscher Cell-Assemblies. Hierbei handelt es sich um Repräsentionen kognitiver Entitäten in Form von lokalisierten oder auch verteilten Zellgruppen im Kortex, welche untereinander stark wechselseitig verknüpft sind, aber nur schwächere Verbindungen zu den Zellen anderer Repräsentationen haben. Der Ansatz der Cell-Assemblies stellt ein mittleres Beschreibungsniveau dar, das es gestattet einerseits Eigenschaften von wirklichen Neuronen und Netzwerken beider Modellierung zu berücksichtigen, andererseits aber auf die Erklärung von psychologischen und kognitiven Phänomenen abziehlt. Das heisst, es erlaubt gleichzeitig die physiologische und die funktionelle Ebene neuronaler Netze zu untersuchen. Wir beschreiben zunächst, wie Assemblies mit einfachen spikenden Neuronen in assoziativen Netzwerken modelliert werden koennen. In vollvernetzten Systemen kann man dann z.B. das Zeitverhalten von Assemblies studieren. Dieses kann insbesondere oszillatorisch im Gamma-Frequenzbereich sein, so dass Assemblies konsistent mit der Idee des "Bindens durch Synchronisation" sind. Strukturierte Kopplungen, z.B. in Form eines Autoassoziativspeichers, ermöglichen weiterhin die Modellierung von Kurz- und Langzeitgedächtnis. Heteroassoziative Speicherung, speziell von sequentiellen raumzeitlichen Mustern, bietet zudem die Möglichkeit Bewegungs- oder Sprachelemente zu repräsentieren, wie überhaupt Gedächtnisinhalte mit zeitlicher Dimension. Abstrakt gesehen wird durch heteroassoziative raumzeitliche Muster einerseits eine zeitliche Komponente in die eher statischen autoassoziativen Attraktornetze eingeführt, andererseits bietet sich die Möglichkeit Generatoren und Erkenner fuer einfache Zeitmuster zu implementieren. Fuer komplexe Zeitmuster, wie frei gesprochene Sprache oder Handlungen, ist der Ansatz aber zu unflexibel. Zur Beschreibung solchen komplexen Verhaltens, fuehren wir sog. "Synfire Graphen" ein, bei der die lineare Sequenz des einfachen heteroassoziativen Speichers aufgebrochen wird, derart, dass Aktivität sich in einem komplexen Netzwerk mit graphartiger Struktur in Abhängigkeit von weiteren Eingangssignalen ausbreiten kann. Dies ermöglicht technisch gesehen die Implementierung beliebiger endlicher Automaten. Abschliessend stellen wir dar, wie sich die neuronalen Vorgänge bei komplexem Verhalten auf der Grundlage von Synfire Graphen und assoziativen Strukturen mit Kurz- und Langzeitgedächtnis wenigstens prinzipiell verstehen lassen.

07.06.2018, 02:10