Suchergebnis: Katalogdaten im Frühjahrssemester 2012

Physik Master Information
Wahlfächer
Physikalische und mathematische Wahlfächer
Auswahl: Neuroinformatik
NummerTitelTypECTSUmfangDozierende
402-0804-00LNeuromorphic Engineering II Information W6 KP5GT. Delbrück, G. Indiveri, S.‑C. Liu
KurzbeschreibungDiese Vorlesung lehrt die Basis des analogen Chip-Design und Chip-Layout mit Betonung auf Neuromorphe Schaltungen, welche im Herbstsemester in der Vorlesung "Neuromorphic Engineering I" eingeführt werden.
LernzielDiese Vorlesung mit Übungen ermöglicht den Teilnehmern, selbst neuromorphe Schaltungen zu entwerfen und herstellen zu lassen.
InhaltEs werden verschiedene Computerprogramme vorgestellt und benutzt, die zur Simulation, zum Entwurf und zur Entwurfsverifikation von neuromorphen Schaltungen geeignet sind. Anhand von Beispielen wird aufgezeigt, worauf beim Schaltungsentwurf zu achten ist. Nützliche und notwendige Schaltungen werden erklärt und zur Verfügung gestellt. Es werden verschiedenen CMOS-Prozesse erläutert und gezeigt, wie man sie benutzen kann. Gegen Ende des Semesters kann jeder Student eine eigene Schaltung konzipieren und herstellen lassen.
LiteraturS.-C. Liu et al.: Analog VLSI Circuits and Principles; Software-Dokumentation.
Voraussetzungen / BesonderesVoraussetzungen: dass die Studenten bereits über die Grundkenntnisse der neuromorphen Schaltungstechnik verfügen, die sie sich am besten in der Vorlesung "Neuromorphic Engineering I" im vorangehenden Herbstsemester erwerben.
402-0823-00LNeurophysicsW6 KP2V + 1UR. Hahnloser
KurzbeschreibungThe focus of this class is the neural code. The goal is to master computational solutions of the neural encoding and decoding problems. Students will develop and apply algorithms on spike data recorded in behaving zebra finches (birds).
LernzielThis course is an introduction to systems neuroscience research for students with a background in quantitative sciences such as physics, mathematics, or engineering sciences. Students who take this course learn about neurophysiology and state-of-art algorithms for analysis of high-resolution brain activity. Programming will be performed in Matlab (Mathworks Inc.).

We investigate how stimulus information is encoded in the spike trains of nerve cells by creating models that predict neural responses to sensory stimuli (encoding problem, sensory systems), as well as models that infer stimulus properties or behavioral features from neural data (decoding problem, motor systems).
InhaltDecoding Problem: We have one or more spike trains and want to predict features of the motor behavior that caused by these spikes. In general, predicting the motor output from only a small number of spike trains is very difficult.

Encoding Problem: Based on a sensory stimulus we want to predict the spike response to it, i.e., we want to derive generative models for neural responses.

Content:
-Introduction to sensory (auditory) and motor coding in single neurons
- probability and estimation theory
- generative and advanced statistical models of brain function (principal component analysis, Hidden Markov Models)
- correlation and spectral analysis
- forward and inverse models (control theory)
- Hebbian learning and reinforcement learning
SkriptExtensive lecture notes will be made available. Original research articles will be distributed.
Literatur- Theoretical Neuroscience by Peter Dayan and Larry Abbott.
- Biophysics of Computation by Chritoph Koch.
- Spikes: Exploring the neural code by Fred Rieke and David Warland et al.
- Spiking Neuron Models by Wulfram Gerstner and Werner Kistler.
- Original research articles, to be selected.
Voraussetzungen / BesonderesKnowledge of standard methods in analysis, algebra and probability theory are highly desirable but not necessary. Students should have programming experience.

Former course title: "Theoretical Neuroscience"
402-0824-00LTheorie, Programmierung und Simulation neuronaler NetzeW6 KP2V + 1UR. Stoop
KurzbeschreibungThemen sind: Graphische Methoden und Spieltheorie (Rückverfolgung, Verbreitung von Zwangsbedingungen), analytische Optimierung (multidimensionale Optimierung, Gleichgewichtspunkte, Gradientenabstieg), neuronale Netze (biologische und biologienahe Modellierung, Spin-System Analogien), evolutionäre Optimierung (genetische Algorithmen und Programmierung), Expertensysteme (Clustering Techniken)
LernzielIm Einführungsteil wird über Spiele das Konzept des gerichteten Graphen eingeführt. Dieses wird unser Leitbild für das Verständnis der verschiedenen Methoden, welche der Kurs behandelt, sein. Als Anwendungen für kontinuierliche Systeme werden die mehrdimensionale Optimierung, die Methode der Lagrange'schen Multiplikatoren und des Gradientenabstiegs und die Simplexoptimierung vorgestellt.
Iterierte Funktionensysteme geben eine Vorstellung davon, wie eine komplexe Energielandschaft aussieht.
Ausgehend von der Entwicklungsgeschichte und Physiologie biologischer neuronaler Netze werden die biophysiknahe Modellierung von Netzwerkelementen und ihre mathematische Idealisierungen verschiedener Grade behandelt.
Die Elemente werden dann zu Netzen zusammengebaut. Die Implementationen der verschiedenen gängigsten neuronalen Netzwerktypen (Perzeptronnetze, Kohonennetze, Hopfieldnetze) werden besprochen und ihre Leistungsfähigkeit untersucht.
Wir zeigen, dass man dieselben Konzepte benützen kann, um effizientes Datenclustering zu erreichen und besprechen die gängigsten Verfahren in diesem Gebiet.
Als Konkurrenzmodelle der neuronalen Netze stellen wir schliesslich genetische Algorithmen und die genetische Programmierung vor.

Die Vorlesung umfasst gleichermassen analytische wie auch simulationstechnische Gesichtspunkte. Unterlegt wird die Vorlesung in allen wesentlichen Aspekten durch abgegebene Programme, verfasst in der Programmierumgebung Mathematica, zu der eine Kurzeinführung abgegeben wird.
Nach der Vorlesung sind Wirkungsweise, Möglichkeiten, Grenzen und bevorzugte Anwendungen von neuronalen Netzen und verwandter Verfahren aus der theoretischen und der praktischen Sicht verstanden. Man ist in der Lage, die Verfahren mit Hilfe der Vorlesungsunterlagen und der verteilten Programme auf neue Probleme, wie sie besonders in Anwendungen in allen Bereichen der heutigen Wissenschaft und Technologie auftreten, erfolgreich anzuwenden.
InhaltBei den neuronalen Netzen handelt es sich um eine wichtige Teilmenge der Methoden der künstlichen Intelligenz. Diese erschliesst zunehmend Gebiete, die mit Methoden der ,,herkömmlichen'' Informatik schlecht fassbar sind und daher bisher weit gehend dem Menschen vorbehalten geblieben sind. Zusätzlich zum Wert solcher Verfahren dadurch, dass sie menschliche Arbeit zu einem gewissen Grad zu ersetzen vermögen, liefern die entwickelten Lösungsansätze und Methoden auch Einsichten in die Hintergründe und Mechanismen des menschlichen Denkens an sich.
Nach Themengebieten geordnet sind dieses die hauptsächlichsten aktuellen Anwendungen:

- Spiele spielen,
- Robotersteuerungen, welche erlauben, Umgebungen wahrzunehmen, um daraus angemessene Aktionen einzuleiten,
- Expertensysteme, welche Spezialwissen und Schlussfolgerungsfähigkeit qualifizierter Fachleute auf einem begrenzten Anwendungsgebiet im Computer
nachbilden,
- maschinelles Lernen, bei dem durch die Benutzung von Eingabeinformationen neues Wissen konstruiert oder vorhandenes Wissen verbessert wird,
- automatisches Programmieren, wo ausgehend von formalen Spezifikationen Programme automatisiert erstellt werden,
- Wahrnehmungsnachbildung, in der menschliche Sinne am Computer nachgebildet werden (insbesondere Sehen (Bilderkennung) und Hören (Spracherkennung)),
- Computerbeweise, in deren Umfeld die automatisierte Herleitung und Verifikation von mathematisch-logischen Formeln und Sätzen behandelt wird.

Der Aufbau der Vorlesung ist wie folgt:

Einleitende Themen sind:
- Graphische Methoden und Spieltheorie (Rückverfolgung, Bedingungsfortpflanzung)
- Analytische Optimierung: Mehrdimensionale Extremalprobleme, Lagrange Multiplikatoren, Gleichgewichte, Gradientenabstieg
Schwergewichtige Themen sind:
- Neuronale Netze aller Art (biologische und biologienahe Modellierung, Spinsystem-Analogien)
- Expertensysteme (Clusteringverfahren)
- Evolutionäre Optimierung (genetische Algorithmen und genetische Programmierung)
SkriptEs wird ein ausführliches Skript abgegeben.
LiteraturZusatzliteratur:

- B. Müller, J. Reinhardt and M.T. Strickland, Neural networks, Springer 1995
- W.-H. Steeb, A. Hardy, and R. Stoop, Problems and Solutions in Scientific Computing, World Scientific 2005
  •  Seite  1  von  1