Cognitive Neuroscience for AI Developers - Cheatsheet.pdf

Cognitive Neuroscience for AI Developers - Cheatsheet
Cognitive Neuroscience for AI Developers - Cheatsheet Synaptische Plastizität: Langzeitpotenzierung (LTP) und Langzeitdepression (LTD) Definition: Mechanismen neuronaler Anpassung; LTP - Verstärkung synaptischer Verbindungen; LTD - Schwächung synaptischer Verbindungen Details: LTP: Anhaltende Erhöhung der synaptischen Stärke nach starker und wiederholter Erregung. LTD: Anhaltende Verringerung der ...

© StudySmarter 2024, all rights reserved.

Cognitive Neuroscience for AI Developers - Cheatsheet

Synaptische Plastizität: Langzeitpotenzierung (LTP) und Langzeitdepression (LTD)

Definition:

Mechanismen neuronaler Anpassung; LTP - Verstärkung synaptischer Verbindungen; LTD - Schwächung synaptischer Verbindungen

Details:

  • LTP: Anhaltende Erhöhung der synaptischen Stärke nach starker und wiederholter Erregung.
  • LTD: Anhaltende Verringerung der synaptischen Stärke aufgrund niedriger Stimulation oder spezifischer Muster.
  • LTP häufig mit NMDA-Rezeptor und Kalziumeinstrom assoziiert.
  • LTD oft durch reduzierte synaptische Aktivität und veränderte Rezeptorfunktion induziert.
  • Wichtig für Lernen, Gedächtnis und neuronale Anpassung.

Rolle von Hippocampus und Neokortex in Lern- und Gedächtnisprozessen

Definition:

Hippocampus und Neokortex spielen zentrale Rollen in der Bildung, Speicherung und dem Abrufen von Erinnerungen.

Details:

  • Hippocampus: Kurzzeitgedächtnis, Konsolidierung von Informationen ins Langzeitgedächtnis.
  • Neokortex: Langzeitgedächtnis, Speicherung von konsolidierten Informationen, Integrieren neuer Informationen mit bestehenden.
  • Wechselwirkung: Hippocampus und Neokortex arbeiten zusammen bei der Konsolidierung und dem Abruf von Erinnerungen (\textit{Systemkonsolidierungstheorie}).
  • Modellierung: In KI-Systemen werden diese Prozesse als Inspiration zur Entwicklung effektiver Lernmechanismen genutzt.

Aufmerksamkeit und relevante neuronale Netzwerke

Definition:

Aufmerksamkeit und relevante neuronale Netzwerke: Fokus auf spezifische Stimuli, unterdrückt irrelevante Informationen.

Details:

  • Wichtige neuronale Netzwerke: dorsales Aufmerksamkeitssystem, ventrales Aufmerksamkeitssystem
  • dorsal: räumliche Aufmerksamkeit, obere Parietallappen und Frontalaugenfelder
  • ventral: stimulusgetriebene Aufmerksamkeit, untere Parietallappen und Temporoparietalübergang
  • Wichtige Konzepte: Selektive Aufmerksamkeit, geteilte Aufmerksamkeit
  • \textit{Neural correlates}: Aktivität in cortex cerebralis, Verbindung zu präfrontalem Kortex
  • Einfluss auf kognitive Prozesse: Wahrnehmung, Gedächtnis, Entscheidungsfindung

Entscheidungsfindung und kognitive Kontrolle im präfrontalen Kortex

Definition:

Entscheidungsfindung und kognitive Kontrolle im präfrontalen Kortex beinhalten die Prozesse und Mechanismen, die es ermöglichen, bewusst Ziele zu verfolgen und Handlungen entsprechend zu planen und auszuführen.

Details:

  • Präfrontaler Kortex (PFC): Bereich des Gehirns, der für höhere kognitive Funktionen verantwortlich ist.
  • Entscheidungsfindung: Bewertet Optionen basierend auf internen und externen Informationen.
  • Kognitive Kontrolle: Steuert und reguliert Gedanken und Handlungen, um Ziele zu erreichen.
  • DLPFC (dorsolateraler präfrontaler Kortex): Wichtiger Bereich für Arbeitsgedächtnis und Planen.
  • VMPFC (ventromedialer präfrontaler Kortex): Integraler Bestandteil der Risiko- und Belohnungseinschätzung.
  • Formel für erwarteten Nutzen: \ E(U) = \sum_{i=1}^{n} p_i \cdot U_i

Funktionsweise und Anwendungen der fMRT (funktionelle Magnetresonanztomographie)

Definition:

fMRT nutzt Magnetfelder und Radiowellen, um Veränderungen im Blutfluss im Gehirn zu messen und neuronale Aktivität sichtbar zu machen.

Details:

  • Misst BOLD-Signal (Blood Oxygen Level Dependent)
  • Hohe räumliche Auflösung
  • Anwendungen: neurologische Forschung, Diagnostik, Kognition und Verhaltensstudien
  • Signale durch Änderungen im Sauerstoffgehalt im Blut
  • Erfordert spezielle Software zur Bildbearbeitung und Datenanalyse

Neuronale Netze und ihre Inspirationsquelle im Gehirn

Definition:

Neuronale Netze sind von der Struktur und Funktion des menschlichen Gehirns inspiriert, um lernfähige Algorithmen zu entwickeln.

Details:

  • Bestehen aus Knoten (Neuronen), die in Schichten (Layer) organisiert sind.
  • Eingabeschicht, versteckte Schicht(en), Ausgabeschicht.
  • Gewichte \textbf{\textit{w}} und Biases \textbf{\textit{b}} justieren die Verbindungen zwischen den Neuronen.
  • Aktivierungsfunktionen wie \textbf{\textit{Sigmoid}}, \textbf{\textit{ReLU}}, und \textbf{\textit{tanh}}.
  • Lernprozess durch Backpropagation und Optimierungsverfahren (\textbf{\textit{Stochastic Gradient Descent}}).
  • Inspiration im Gehirn: Synapsen, die Stärken der Verbindungen ändern, und neuronales Feuern durch Schwellenwertmechanismen.

Modellierung von kognitiven Prozessen in künstlicher Intelligenz

Definition:

Modellierung von kognitiven Prozessen in KI bezieht sich auf die Nachbildung menschlicher Denkprozesse zur Verbesserung der KI-Leistung.

Details:

  • Kognitive Architektur: Struktur und Designprinzipien, um kognitive Prozesse abzubilden.
  • Mechanismen: Algorithmen und Ansätze zur Nachbildung kognitiver Funktionen wie Lernen, Erinnern und Problemlösen.
  • Neural Networks: Einsatz neuronaler Netze zur Nachahmung neuronaler Strukturen und Funktionen des Gehirns.
  • Symbolische vs. subsymbolische Ansätze: Unterschiedliche Methoden zur Modellierung kognitiver Prozesse (z.B. Regeln vs. Mustererkennung).
  • Reinforcement Learning: Lernmethode, die Belohnungsstrukturen nachbildet.
  • Evaluation: Methoden zur Überprüfung der Genauigkeit und Effizienz der modellierten kognitiven Prozesse.

Simulation und Modellierung neuronaler Prozesse mit Software-Tools

Definition:

Simulation und Modellierung neuronaler Prozesse mithilfe von Software-Tools dienen dem Verständnis und der Analyse neuronaler Netze und ihrer Funktion.

Details:

  • Verwendete Software-Tools: NEURON, NEST, Brian
  • Ziele: Verständnis neuronaler Dynamiken, Vorhersage von Netzwerkverhalten
  • Modelle umfassen: Einzelne Neuronen, Synapsen, Netzwerke
  • Mathematische Grundlage: Differentialgleichungen, Spiking-Modellierung
  • Analysewerkzeuge: Spike-Train-Analyse, Frequenzspektren, Korrelationsanalysen
  • Wichtige Parameter: Membranzeitkonstante (\tau_m), Eingangsstrom (I)
Sign Up

Melde dich kostenlos an, um Zugriff auf das vollständige Dokument zu erhalten

Mit unserer kostenlosen Lernplattform erhältst du Zugang zu Millionen von Dokumenten, Karteikarten und Unterlagen.

Kostenloses Konto erstellen

Du hast bereits ein Konto? Anmelden