KIP-Veröffentlichungen

Mit Hinblick auf die aktuell laufende Implementierung des Cortical Column Netwerks (Potjans und Diesmann 2012) auf BrainScaleS I, einem Mixed-Signal System das Gepulste Neuronale Netze emuliert, beschäftigt sich diese Arbeit mit den Effekten die auftreten, wenn man Netzwerke die bisher digital simuliert wurden auf analoger Hardware laufen lässt. Um dies zu erreichen, wird das ursprünglich von Brunel (2000) beschriebene Netzwerk, ein Netzwerk das große Ähnlichkeit mit Teilen des Cortical Column Netzwerkes aufweist, auf den Übergang zu Leaky Intergate-And-Fire Neuronen mit strom- und spannungsbasierten Synapsen Modellen, den Einfluss den eine Verteilung der Neuronen Parameter auf das Verhalten des Netzwerks haben und andere Schwierigkeiten die bei dem Übergang auf die Hardware auftreten können, beispielsweise dem limitierten Bereich in dem die synaptische Zeitkonstante gewählt werden kann untersucht. Das erlaubt eine erste Einschätzung wie sich das Cortical Column Netzwerk auf der Hardware verhalten wird, in welchen Fällen sich das Netzwerk stabil verhalten wird oder in welchen Fällen Unterschiede zu erwarten sind.

Under the premise that the cortical column network, developed by Potjans and Diesmann (2012) is currently being implemented on BrainScaleS I hardware, a mixed-signal system for the emulation of spiking neural networks, this thesis is taking a closer look on which effects are likely to occur when transferring a network from digital to analogue simulations. This is done by taking the neural network described in Brunel (2000), a network that has a close resemblance to some parts of the cortical column network, and investigate how it reacts to the transfer to leaky integrate-and-fire neurons with current and conductance based synapse models, to distortions on the neuron parameters, as they are expected to occur on hardware, and other possible obstacles one might be facing during this transition, like a limited range the synaptic time constant can be chosen from. Paving the road for a successful emulation of the column, this allows a first prediction how the network could behave on BrainScaleS I and which parameters have to be handled carefully during the transmission and for which parameters the network is showing stable behaviour, even if they are connected with some distortions.