계산신경과학

Computational neuroscience

계산신경과학(이론 신경과학 또는 수학적 신경과학으로도 알려져 있음)은 신경의 발달, 구조, 생리학 및 인지 능력을 지배하는 원리를 이해하기 위해 뇌의 수학적 모델, 컴퓨터 시뮬레이션, 이론적 분석 및 추상화를 사용하는 신경과학의 한 분야이다.s 시스템.[1][2][3][4]

컴퓨터 신경과학은 수학적 모델을 검증하고 해결하기 위해 컴퓨터 시뮬레이션을 사용합니다.따라서 이론 신경과학의 하위 분야로 볼 수 있습니다.그러나 두 분야는 종종 [5]동의어입니다.수학 신경과학이라는 용어는 그 분야의 [6]양적 특성을 강조하기 위해 가끔 사용된다.

컴퓨터 신경과학은 생물학적으로 그럴듯한 뉴런(및 신경계)과 그 생리학 및 역학의 기술에 초점을 맞추고 있다.따라서 그것은 연결주의, 제어 이론, 사이버네틱스, 정량 심리학, 기계 학습, 인공 신경 네트워크, 예술에 사용되는 생물학적으로 비현실적인 모델에 직접적으로 관련이 없다.비록 상호 영감이 존재하고 때로는 [11][12][13][14]분야 사이에 엄격한 제한이 없지만, 연구 범위와 생물학적 실체가 분석되는 입도에 따라 컴퓨터 신경과학의 모델 추상화와 함께 ifial Intelligence와 컴퓨터 학습 이론.[7][8][9][self-published source?][10]

이론적인 신경과학의 모델들은 막의 전류, 그리고 네트워크 진동, 기둥과 지형 구조, 핵을 통해 기억, 학습, 행동과 같은 심리적인 기능에 이르기까지 여러 공간-시간적 척도에서 생물학적 시스템의 본질적인 특징을 포착하는 것을 목표로 한다.이러한 계산 모델은 생물학적 또는 심리학적 실험에 의해 직접 시험될 수 있는 가설을 틀화한다.

역사

'컴퓨터 신경과학'이라는 용어는 에릭 L.에 의해 소개되었다. 컨퍼런스를 조직한 슈워츠는 1985년 시스템 개발 재단의 요청에 따라 캘리포니아 카멜에서 개최되었으며, 이때까지 신경 모델링, 뇌 이론 및 신경 네트워크와 같은 다양한 이름으로 언급되었던 분야의 현황 요약을 제공합니다.이 정의적 회의의 진행은 1990년에 [15]컴퓨터 신경과학이라는 책으로 출판되었습니다.컴퓨터 신경과학에 초점을 맞춘 연례 공개 국제회의의 첫 번째 개최는 제임스 M.에 의해 조직되었습니다. 1989년 [16]캘리포니아 주 샌프란시스코에서 Bower와 John Miller 부부.컴퓨터 신경과학의 첫 번째 대학원 교육 프로그램은 1985년 캘리포니아 공과대학에서 컴퓨터 및 신경 시스템 박사 프로그램으로 조직되었습니다.

이 분야의 초기 역사적 뿌리는 루이스 라피크, 호지킨 & 헉슬리, 휴벨과 비젤, 데이비드 마르를 포함한 사람들의 작품에서 찾을 수 있다.라피케는 1907년에 [17]발표된 중요한 기사에서 뉴런의 통합과 발화 모델을 소개했는데, 이 모델은 단순성 때문에 인공 신경망 연구에서 여전히 인기가 있다. (최근[18] 리뷰 참조)

약 40년 후, Hodgkin & Huxley는 전압 클램프를 개발하여 최초의 활동 전위 생물물리학 모델을 만들었습니다.Hubel & Wiesel은 망막에서 나오는 정보를 처리하는 최초의 피질 영역인 1차 시각 피질의 뉴런이 수용영역을 지향하고 열로 [19]구성된다는 것을 발견했다.David Marr의 연구는 해마와 신피질 내의 기능적인 뉴런 그룹이 어떻게 상호작용, 저장, 처리, 그리고 정보를 전송하는지에 대한 연구에 대한 컴퓨터 접근 방식을 제안하면서 뉴런 사이의 상호작용에 초점을 맞췄다.생물물리학적으로 사실적인 뉴런과 수상돌기의 컴퓨터 모델링은 케이블 이론을 이용한 최초의 다중 구획 모형과 함께 Wilfrid Rall의 작업에서 시작되었습니다.

주요 토픽

컴퓨터 신경과학 연구는 대략 몇 가지 조사 행으로 분류될 수 있다.대부분의 컴퓨터 신경과학자는 새로운 데이터를 분석하고 생물학적 현상의 새로운 모델을 합성하기 위해 실험자와 긴밀히 협력합니다.

싱글 뉴론 모델링

주요 기사: 생물학적 뉴런 모델

단일 뉴런도 복잡한 생물물리학적 특성을 가지고 있으며 계산을 수행할 수 있다(예:[20]Hodgkin과 Huxley의 원래 모델은 2개의 전압 민감 전류(전압 민감 이온 채널은 지질 이중층을 통해 확장되는 당단백질 분자로, 이온이 액솔렘마를 통해 특정 조건에서 통과할 수 있게 함), 즉효성 나트륨 및 내향 정류 칼륨을 사용했습니다.활동 전위의 시기 및 질적 특징을 예측하는 데는 성공했지만, 적응과 전환과 같은 많은 중요한 특징을 예측하는 데는 실패했다.과학자들은 이제 전압에 민감한 전류가 매우 다양하며, 이러한 전류의 다른 역학, 변조 및 감도의 함의가 컴퓨터 신경과학의 [21]중요한 주제라고 믿고 있습니다.

복잡한 덴드라이트의 계산 기능 또한 집중적인 조사를 받고 있다.서로 다른 전류가 [22]뉴런의 기하학적 특성과 어떻게 상호작용하는지에 관한 많은 문헌들이 있다.

일부 모델은 또한 가시나 시냅스 균열과 같은 매우 작은 규모로 생화학적 경로를 추적하고 있습니다.

GENESIS와 NELLUN과 같은 많은 소프트웨어 패키지가 있어 현실적 뉴런의 실리코 모델링을 빠르고 체계적으로 할 수 있습니다.에콜 폴리테크니크 페데랄 드 로잔의 헨리 마크람에 의해 설립된 프로젝트인 블루 브레인(Blue Brain)은 블루진 슈퍼컴퓨터에 생체물리학적으로 상세한 피질 컬럼 시뮬레이션을 구축하는 것을 목표로 하고 있다.

단일 뉴론 스케일로 생물물리학적 성질을 풍부하게 모델링하면 네트워크 [23]역학을 위한 구성 요소 역할을 하는 메커니즘을 제공할 수 있습니다.그러나, 상세한 뉴런 설명은 계산 비용이 많이 들고, 이것은 많은 뉴런을 시뮬레이션해야 하는 현실적인 네트워크 조사 추구에 장애가 될 수 있다.그 결과, 큰 신경 회로를 연구하는 연구원들은 전형적으로 각각의 뉴런을 나타내며 생물학적 세부 사항 대부분을 무시한 채 인위적으로 단순한 모델로 시냅스를 한다.따라서 낮은 계산 오버헤드로 상당한 생물학적 충실도를 유지할 수 있는 단순화된 뉴런 모델을 생산하려는 움직임이 있다.알고리즘은 계산 비용이 많이 드는 상세 뉴런 [24]모델에서 충실하고, 더 빠르게 실행되며, 단순화된 대리 뉴런 모델을 생산하기 위해 개발되었다.

개발, 축방향 패턴 형성 및 지침

컴퓨터 신경과학은 광범위한 문제를 해결하는 것을 목표로 한다.축삭과 수상돌기는 발달 과정에서 어떻게 형성됩니까?축삭은 어떻게 목표물과 목표물에 도달하는 방법을 알 수 있을까요?뉴런은 어떻게 중앙과 말초 시스템에서 적절한 위치로 이동합니까?시냅스는 어떻게 형성됩니까?우리는 분자생물학에서 신경계의 다른 부분들이 뚜렷한 화학적 신호들을 방출한다는 것을 알고 있습니다. 성장인자에서 뉴런 사이의 기능적 연결의 성장과 발달에 영향을 미치는 호르몬에 이르기까지 말입니다.

시냅스 연결과 형태학의 형성 및 패턴화에 대한 이론적 연구는 아직 초기 단계입니다.최근 주목을 받고 있는 가설 중 하나는 최소 배선 가설로, 축삭과 덴드라이트의 형성은 최대의 정보 스토리지를 유지하면서 리소스 [25]할당을 효과적으로 최소화한다고 가정합니다.

감각 처리

이론적인 틀 안에서 이해된 감각 처리의 초기 모델은 Horace Barlow의 공로를 인정받았다.이전 절에서 설명한 최소 배선 가설과 다소 유사한, Barlow는 초기 감각 시스템의 처리가 효율적인 코딩의 한 형태라고 이해했으며, 여기서 뉴런은 스파이크의 수를 최소화하는 정보를 부호화했다.그 후 실험과 계산 작업이 이 가설을 어떤 형태로든 뒷받침해 왔다.시각처리의 예에서는 효율적인 공간부호화, 컬러부호화, 시간/동작부호화, 스테레오부호화 및 이들 [26]조합의 형태로 효율적인 부호화가 나타난다.

더 나아가 시각 경로를 따라서는 효율적으로 코딩된 시각 정보조차 정보 병목, 즉 시각적 주의 [27]병목의 용량에 비해 너무 많습니다.후속 이론인 V1 Salency Guestion(V1SH)은 일차 시각 [28]피질에서 상향식 시각 지도에 따라 추가 처리를 위한 시각 입력 부분의 외인성 주의 선택에 대해 개발되었습니다.

감각 처리의 현재 연구는 서로 다른 하위 시스템의 생물물리학적 모델링과 보다 이론적인 지각 모델링으로 나뉜다.지각의 현재 모델들은 뇌가 물리적 [29][30]세계에 대한 우리의 인식을 생성하는데 있어서 베이지안 추론과 다른 감각 정보의 통합을 수행한다고 제안해 왔다.

모터 제어

뇌가 움직임을 제어하는 방법의 많은 모델들이 개발되어 왔다.이것은 오류 수정을 위한 소뇌의 역할, 운동 피질과 기저 신경절에서의 기술 학습, 또는 전정안 반사 제어와 같은 뇌의 처리 모델을 포함합니다.이것은 또한 베이지안이나 최적의 제어 풍미와 같은 많은 규범적 모델들을 포함합니다. 이 모델들은 뇌가 문제를 효율적으로 해결한다는 생각에 바탕을 두고 있습니다.

메모리 및 시냅스 가소성

주요 기사:시냅스 가소성

기억의 초기 모델은 주로 헤비어 학습의 가설에 기초하고 있다.홉필드 네트와 같은 생물학적으로 관련된 모델은 생물학적 시스템에서 발생하는 연상('콘텐츠 주소 지정 가능'이라고도 함) 방식의 기억 특성을 다루기 위해 개발되었습니다.이러한 시도들은 주로 해마에서 국부적인 중장기 기억 형성에 초점을 맞추고 있다.네트워크 진동 이론과 지속적 활동 이론에 의존하는 작동 기억 모델은 컨텍스트 관련 메모리에 [31]전전두엽 피질의 일부 특징을 포착하기 위해 구축되었습니다.추가 모델은 기저신경절과 전전두엽 피질 사이의 밀접한 관계와 그것이 어떻게 작업 [32]기억력에 기여하는지 살펴봅니다.

신경생리학적 기억력의 주요 문제 중 하나는 여러 시간 척도를 통해 기억력이 유지되고 변화되는 방법이다.불안정한 시냅스는 훈련하기 쉬울 뿐만 아니라 확률적 교란도 일으키기 쉽다.안정된 시냅스는 쉽게 잊어버리지 않지만 통합하기도 어렵습니다.최근의 한 컴퓨터 가설은 시냅스가 여러 [33]시간 척도로 기능할 수 있도록 하는 가소성의 연속성을 포함한다.마이크로초의 시간 척도로 작동하는 몬테카를로 방법과 아세틸콜린 수용체 기반 시냅스의 입체 화학 상세 모델이 [34]구축되었다.계산 도구는 향후 수십 년 동안 외부 자극과 관련하여 시냅스가 어떻게 기능하고 변화하는지 이해하는 데 크게 기여할 것이다.

네트워크의 동작

생물학적 뉴런들은 복잡하고 반복적인 방식으로 서로 연결되어 있다.이러한 연결은 대부분의 인공 신경망과 달리 희박하고 보통 특이하다.비록 시각 피질 같은 뇌의 특정 영역이 어느 정도 [35]상세하게 이해되기는 하지만, 정보가 그렇게 희박하게 연결된 네트워크를 통해 어떻게 전달되는지는 알려지지 않았다.또, 이러한 특정의 접속 패턴의 계산 기능이 있는 경우는 어떤 것인지도 불명확합니다.

작은 네트워크에서의 뉴런의 상호작용은 종종 이징 모델과 같은 단순한 모델로 축소될 수 있다.이러한 단순한 시스템의 통계적 역학은 이론적으로 잘 특징지어진다.일부 최근의 증거는 임의 신경 네트워크의 역학을 쌍방향 [36]상호작용으로 줄일 수 있다는 것을 시사한다.그러나 이러한 기술 역학이 중요한 계산 기능을 제공하는지는 알려지지 않았다.2광자 현미경과 칼슘 이미징의 출현으로, 우리는 신경 네트워크에 관한 새로운 이론을 테스트하기 위한 강력한 실험 방법을 갖게 되었다.

어떤 경우에는 억제 뉴런과 흥분 뉴런 사이의 복잡한 상호작용을 평균장 이론을 사용하여 단순화할 수 있으며, 이는 신경망의 [37]모집단 모델을 발생시킨다.많은 신경 이론가들이 복잡성이 줄어든 모델을 선호하지만, 다른 사람들은 구조-기능적 관계를 밝혀내는 것은 가능한 한 많은 신경과 네트워크 구조를 포함시키는 것에 달려 있다고 주장한다.이러한 유형의 모델은 일반적으로 GENESIS 또는 NELLUN과 같은 대형 시뮬레이션 플랫폼에 구축됩니다.이러한 [38]복잡성 수준을 연결하고 통합하는 통합 방법을 제공하려는 시도가 몇 차례 있었습니다.

시각적 주의, 식별 및 분류

시각적 주의는 들어오는 [39]자극의 하위 집합으로 일부 처리를 제한하는 일련의 메커니즘으로 설명할 수 있다.주의 메커니즘은 우리가 보는 것과 우리가 행동할 수 있는 것을 형성합니다.이러한 기능을 통해 일부(바람직하게, 관련성이 있는) 정보를 동시에 선택하고 다른 정보를 금지할 수 있습니다.시각적인 주의와 특징의 결합에 기초하는 메커니즘의 보다 구체적인 사양을 갖기 위해, 정신물리학적 발견을 설명하는 것을 목표로 하는 많은 계산 모델이 제안되었다.일반적으로 모든 모델은 망막 입력의 잠재적으로 흥미로운 영역을 등록하기 위한 경도 또는 우선순위 맵의 존재와 들어오는 시각 정보의 양을 줄이기 위한 게이트 메커니즘의 존재를 가정하여 뇌의 제한된 계산 자원을 [40]처리할 수 있도록 한다.행동 및 생리학적으로 광범위하게 테스트되고 있는 한 가지 이론은 주의를 외생적으로 유도하기 [28]위해 일차 시각 피질에서 상향식 경도 지도가 생성된다는 V1 경도 가설이다.컴퓨터 신경과학은 뇌 기능에 관련된 메커니즘을 연구하기 위한 수학적 프레임워크를 제공하고 신경심리학 신드롬의 완전한 시뮬레이션과 예측을 가능하게 합니다.

인지, 차별, 학습

고등 인지 기능의 컴퓨터 모델링은 최근에야[when?] 시작되었습니다.실험 데이터는 주로 영장류의 단일 단위 기록에서 나온다.전두엽과 두정엽은 여러 감각 양식으로부터 정보를 통합하는 역할을 한다.이들 영역의 상호 억제 기능 회로가 생물학적으로 관련된 계산을 [41]얼마나 단순하게 수행할 수 있는지에 대한 몇 가지 잠정적인 아이디어가 있다.

뇌는 특정한 상황에서 특히 잘 구별하고 적응할 수 있는 것으로 보인다.예를 들어, 인간은 얼굴을 기억하고 인식하는 엄청난 능력을 가지고 있는 것 같다.컴퓨터 신경과학의 주요 목표 중 하나는 생물학적 시스템이 이러한 복잡한 계산을 어떻게 효율적으로 수행하는지 분석하고 지능적인 기계를 만드는 데 이러한 과정을 잠재적으로 복제하는 것입니다.

뇌의 대규모 조직 원리는 생물학, 심리학, 그리고 임상 실습을 포함한 많은 분야에 의해 밝혀집니다.통합 신경과학은 행동 측정 및 기록의 통합 기술 모델 및 데이터베이스를 통해 이러한 관찰을 통합하려고 시도합니다.이것들은 대규모 뇌 활동의 [42]양적 모델링을 위한 기초입니다.

CRUM(Computational Representational Understanding of Mind)은 의사 결정에서 획득한 규칙 기반 시스템 및 의사 결정에서 시각적 표현의 조작과 같은 시뮬레이션 과정을 통해 인간의 인식을 모델링하려는 또 다른 시도이다.

의식

심리/신경과학의 궁극적인 목표 중 하나는 의식생활의 일상적인 경험을 설명할 수 있는 것이다.Francis Crick, Giulio Tononi 및 Christof Koch는 의식 신경 상관(NCC) 분야의 미래 연구를 위한 일관된 프레임워크를 형성하기 위해 몇 가지 시도를 했지만, 이 분야의 연구는 여전히 [43]추측적이다.특히[44], 크릭은 신경과학 분야에 전통적으로 철학과 [45]종교에 맡겨져 있던 주제에 접근하지 말라고 경고했다.

컴퓨터 임상 신경과학

컴퓨터 임상 신경과학은 신경과학, 신경학, 정신의학, 의사결정과학 및 컴퓨터 모델링의 전문가들이 모여 신경학 및 정신질환의 문제를 정량적으로 정의 및 조사하고 이러한 모델을 진단 및 치료에 적용하고자 하는 과학자와 임상의들을 양성하는 분야이다.를 클릭합니다.[46][47]

컴퓨터 정신의학

컴퓨터 정신의학은 기계학습, 신경과학, 신경학, 정신의학, 심리학의 전문가들이 모여 정신질환에 [48]대한 이해를 제공하는 새로운 분야입니다.[49] [50]

테크놀로지

뉴로모픽 컴퓨팅

뉴로모픽 컴퓨터/칩은 물리적 인공 뉴런(실리콘으로 제조)을 사용하여 계산을 수행하는 모든 장치입니다(뉴로모픽 컴퓨팅, 물리적 신경 네트워크 참조).이와 같은 물리 모델 컴퓨터를 사용하는 장점 중 하나는 프로세서의 연산 부하가 걸린다는 것입니다(구조 및 일부 기능 요소는 하드웨어에 있기 때문에 프로그래밍할 필요가 없습니다).최근 [when?]신경형 기술은 국제적인 신경과학 협업에 사용되는 슈퍼컴퓨터를 만드는 데 사용되고 있다.예를 들어 Human Brain Project SpiNNaker 슈퍼컴퓨터 및 BrainScaleS 컴퓨터가 있습니다.

「 」를 참조해 주세요.

주 및 참고 자료

  1. ^ Trappenberg, Thomas P. (2010). Fundamentals of Computational Neuroscience. United States: Oxford University Press Inc. pp. 2. ISBN 978-0-19-851582-1.
  2. ^ Patricia S. Churchland; Christof Koch; Terrence J. Sejnowski (1993). "What is computational neuroscience?". In Eric L. Schwartz (ed.). Computational Neuroscience. MIT Press. pp. 46–55. Archived from the original on 2011-06-04. Retrieved 2009-06-11.
  3. ^ Dayan P.; Abbott, L. F. (2001). Theoretical neuroscience: computational and mathematical modeling of neural systems. Cambridge, Mass: MIT Press. ISBN 978-0-262-04199-7.
  4. ^ Gerstner, W.; Kistler, W.; Naud, R.; Paninski, L. (2014). Neuronal Dynamics. Cambridge, UK: Cambridge University Press. ISBN 9781107447615.
  5. ^ Thomas, Trappenberg (2010). Fundamentals of Computational Neuroscience. OUP Oxford. p. 2. ISBN 978-0199568413. Retrieved 17 January 2017.
  6. ^ Gutkin, Boris; Pinto, David; Ermentrout, Bard (2003-03-01). "Mathematical neuroscience: from neurons to circuits to systems". Journal of Physiology-Paris. Neurogeometry and visual perception. 97 (2): 209–219. doi:10.1016/j.jphysparis.2003.09.005. ISSN 0928-4257. PMID 14766142. S2CID 10040483.
  7. ^ Kriegeskorte, Nikolaus; Douglas, Pamela K. (September 2018). "Cognitive computational neuroscience". Nature Neuroscience. 21 (9): 1148–1160. arXiv:1807.11819. Bibcode:2018arXiv180711819K. doi:10.1038/s41593-018-0210-5. ISSN 1546-1726. PMC 6706072. PMID 30127428.
  8. ^ "Encephalos Journal". www.encephalos.gr. Retrieved 2018-02-20.
  9. ^ Paolo, E. D., Organismically-inspired robotics: homeostatic adaptation and teleology beyond the closed sensorimotor loop, S2CID 15349751
  10. ^ Brooks, R.; Hassabis, D.; Bray, D.; Shashua, A. (2012-02-22). "Turing centenary: Is the brain a good model for machine intelligence?". Nature. 482 (7386): 462–463. Bibcode:2012Natur.482..462.. doi:10.1038/482462a. ISSN 0028-0836. PMID 22358812. S2CID 205070106.
  11. ^ Browne, A. (1997-01-01). Neural Network Perspectives on Cognition and Adaptive Robotics. CRC Press. ISBN 9780750304559.
  12. ^ "Aditya Gilra: Biologically-plausible learning in neural networks for movement control and cognitive tasks". Retrieved 2019-12-11.
  13. ^ Zorzi, Marco; Testolin, Alberto; Stoianov, Ivilin P. (2013-08-20). "Modeling language and cognition with deep unsupervised learning: a tutorial overview". Frontiers in Psychology. 4: 515. doi:10.3389/fpsyg.2013.00515. ISSN 1664-1078. PMC 3747356. PMID 23970869.
  14. ^ Shai, Adam; Larkum, Matthew Evan (2017-12-05). "Branching into brains". eLife. 6. doi:10.7554/eLife.33066. ISSN 2050-084X. PMC 5716658. PMID 29205152.
  15. ^ Schwartz, Eric (1990). Computational neuroscience. Cambridge, Mass: MIT Press. ISBN 978-0-262-19291-0.
  16. ^ Bower, James M. (2013). 20 years of Computational neuroscience. Berlin, Germany: Springer. ISBN 978-1461414230.
  17. ^ Lapicque L (1907). "Recherches quantitatives sur l'excitation électrique des nerfs traitée comme une polarisation". J. Physiol. Pathol. Gen. 9: 620–635.
  18. ^ Brunel N, Van Rossum MC (2007). "Lapicque's 1907 paper: from frogs to integrate-and-fire". Biol. Cybern. 97 (5–6): 337–339. doi:10.1007/s00422-007-0190-0. PMID 17968583. S2CID 17816096.
  19. ^ Hubel DH, Wiesel TN (1962). "Receptive fields, binocular interaction and functional architecture in the cat's visual cortex". J. Physiol. 160 (1): 106–54. doi:10.1113/jphysiol.1962.sp006837. PMC 1359523. PMID 14449617.
  20. ^ Forrest MD (2014). "Intracellular Calcium Dynamics Permit a Purkinje Neuron Model to Perform Toggle and Gain Computations Upon its Inputs". Frontiers in Computational Neuroscience. 8: 86. doi:10.3389/fncom.2014.00086. PMC 4138505. PMID 25191262.
  21. ^ Wu, Samuel Miao-sin; Johnston, Daniel (1995). Foundations of cellular neurophysiology. Cambridge, Mass: MIT Press. ISBN 978-0-262-10053-3.
  22. ^ Koch, Christof (1999). Biophysics of computation: information processing in single neurons. Oxford [Oxfordshire]: Oxford University Press. ISBN 978-0-19-510491-2.
  23. ^ Forrest MD (2014). "Intracellular Calcium Dynamics Permit a Purkinje Neuron Model to Perform Toggle and Gain Computations Upon its Inputs". Frontiers in Computational Neuroscience. 8: 86. doi:10.3389/fncom.2014.00086. PMC 4138505. PMID 25191262.
  24. ^ Forrest MD (April 2015). "Simulation of alcohol action upon a detailed Purkinje neuron model and a simpler surrogate model that runs >400 times faster". BMC Neuroscience. 16 (27): 27. doi:10.1186/s12868-015-0162-6. PMC 4417229. PMID 25928094.
  25. ^ Chklovskii DB, Mel BW, Svoboda K (October 2004). "Cortical rewiring and information storage". Nature. 431 (7010): 782–8. Bibcode:2004Natur.431..782C. doi:10.1038/nature03012. PMID 15483599. S2CID 4430167.
    기사 리뷰
  26. ^ Zhaoping L. 2014, 효율적인 코딩 원칙 교과서 3장 비전 이해: 이론, 모델, 데이터
  27. ^ 시각적인 주의 https://en.wikipedia.org/wiki/Visual_spatial_attention를 참조해 주세요.
  28. ^ a b Li. Z. 2002 1차 시각 피질 Trends in Cognitive Sciences vol. 6, Pages 9-16 및 Zhaoping, L. 2014, V1 가설 - 사전 주의력 선택 및 세분화를 위한 상향식 유의성 맵 작성: 이론, 모델 및 데이터
  29. ^ Weiss, Yair; Simoncelli, Eero P.; Adelson, Edward H. (20 May 2002). "Motion illusions as optimal percepts". Nature Neuroscience. 5 (6): 598–604. doi:10.1038/nn0602-858. PMID 12021763. S2CID 2777968.
  30. ^ Ernst, Marc O.; Bülthoff, Heinrich H. (April 2004). "Merging the senses into a robust percept". Trends in Cognitive Sciences. 8 (4): 162–169. CiteSeerX 10.1.1.299.4638. doi:10.1016/j.tics.2004.02.002. PMID 15050512. S2CID 7837073.
  31. ^ Durstewitz D, Seamans JK, Sejnowski TJ (2000). "Neurocomputational models of working memory". Nat. Neurosci. 3 (Suppl): 1184–91. doi:10.1038/81460. PMID 11127836. S2CID 8204235.
  32. ^ Frank, M. J.; Loughry, B.; O'Reilly, R. C. (2001). "Interactions between frontal cortex and basal ganglia in working memory: A computational model" (PDF). Cognitive, Affective, & Behavioral Neuroscience. 1 (2): 137–160. doi:10.3758/cabn.1.2.137. PMID 12467110. S2CID 964100. Retrieved 2018-12-06.
  33. ^ Fusi S, Drew PJ, Abbott LF (2005). "Cascade models of synaptically stored memories". Neuron. 45 (4): 599–611. doi:10.1016/j.neuron.2005.02.001. PMID 15721245. S2CID 2981869.
  34. ^ Coggan JS, Bartol TM, Esquenazi E, et al. (2005). "Evidence for ectopic neurotransmission at a neuronal synapse". Science. 309 (5733): 446–51. Bibcode:2005Sci...309..446C. doi:10.1126/science.1108239. PMC 2915764. PMID 16020730.
  35. ^ Olshausen, Bruno A.; Field, David J. (1997-12-01). "Sparse coding with an overcomplete basis set: A strategy employed by V1?". Vision Research. 37 (23): 3311–3325. doi:10.1016/S0042-6989(97)00169-7. PMID 9425546. S2CID 14208692.
  36. ^ Schneidman E, Berry MJ, Segev R, Bialek W (2006).