KIP-Veröffentlichungen

Neuromorphes Computing nutzt Modelle um das Verhalten von den Neuronen und Synapsen des Gehirns zu imitieren und mit diesen komplexe Aufgaben zu bewältigen. In der Electronic Vision(s) Gruppe werden hierfür elektronische Schaltkreise verwendet. In dieser Arbeit befassen wir uns mit der Bestimmung des synaptischen Gewichts durch das Analysieren von Postsynaptischen Potentialen. Dadurch soll auf eine Kalibrierung des synaptischen Gewichts hingearbeitet werden. Hierfür haben wir uns mit Näherungen für die im BranscaleS-1 Wafersystem verwendeten Konduktanz basierten AdExp Neuronen beschäftigt, die eine Weiterentwicklung des Standard "Leaky Integrate and Fire" Neuron Modells darstellen. Dabei sind wir jedoch zu dem Schluss gekommen, dass das Fitten der numerisch bestimmten Lösung die einzige Möglichkeit ist, um das Gewicht für einen gröÿeren Parameter Bereich zu rekonstruieren. Mithilfe des Fits haben wir Neuronparameter bestimmt mit denen die Rekonstruktion des Gewichts am Besten funktionierte. Um ein genaues synaptisches Gewicht zu bestimmen haben wir Wege gesucht, um nichtlineare Effekte der Hardware zu kompensieren und unsere Fit-Routine angepasst, um auch exakt mit rauschbehafteten Messdaten arbeiten zu können. Insgesamt führt diese Arbeit zu einem besseren Verständnis des synaptischen Gewichts, was in zukünftigen Experimenten hilfreich sein wird.

Neuromorphic computing aims to imitate the behaviour of neurons and synapses of the brain to solve complex problems. In the Electronic Vision(s) group this task is done using electronic circuits. In this thesis we try reconstructing the synaptic weight by analysing postsynaptic potentials (PSPs) to work towards a synaptic weight calibration. To do this we looked at different approximations to describe the conductance based (COBA) AdExp neurons used in the BrainscaleS-1 wafer scale system. The AdExp model contains additional terms to the standard "Leaky Integrate and Fire" (LIF) neuron model. We found that approximations only describe the course of the PSPs for very small weights which means that we cannot use them to calibrate for a wide range of weights. For this reason we used numeric python modules to fit the not analytically solvable solution to the COBA neurons. We used the fit to find neuron parameters best suitable to measure the synaptic weights. To reconstruct an accurate weight we had to compensate for nonlinear hardware behaviour and adjust our fit to work even with noise on the fitted data. In conclusion a better understanding of the synaptic weight was developed in this thesis which will help in future experiments.