Jove
Visualize
Contáctanos

Videos de Experimentos Relacionados

La computación con circuitos neuronales: un modelo de modelo.

J J Hopfield, D W Tank

    Science (New York, N.Y.)
    |August 8, 1986
    PubMed
    Resumen
    Este resumen es generado por máquina.

    Videos de Conceptos Relacionados

    También podría leer

    Artículos Relacionados

    Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

    Ordenar por
    Same author

    The synthesis-diffusion-degradation model explains Bicoid gradient formation in unfertilized eggs.

    Physical biology·2012
    Same author

    Searching for memories, Sudoku, implicit check bits, and the iterative use of not-always-correct rapid neural computation.

    Neural computation·2008
    Same author

    Encoding for computation: recognizing brief dynamical patterns by exploiting effects of weak rhythms on action-potential timing.

    Proceedings of the National Academy of Sciences of the United States of America·2004
    Same author

    Spontaneous eye movements in goldfish: oculomotor integrator performance, plasticity, and dependence on visual feedback.

    Vision research·2004
    Same author

    Learning rules and network repair in spike-timing-based computation networks.

    Proceedings of the National Academy of Sciences of the United States of America·2003
    Same author

    Simple networks for spike-timing-based computation, with application to olfactory processing.

    Neuron·2003
    Same journal

    Erratum for the Research Article "Detecting supramolecular organic nanoparticles during heat wave".

    Science (New York, N.Y.)·2026
    Same journal

    Local signals, systemic decline.

    Science (New York, N.Y.)·2026
    Same journal

    The mechanics of liver regeneration.

    Science (New York, N.Y.)·2026
    Same journal

    Computing in a memory with physics.

    Science (New York, N.Y.)·2026
    Same journal

    Retraction.

    Science (New York, N.Y.)·2026
    Same journal

    Making time.

    Science (New York, N.Y.)·2026
    Ver todos los artículos relacionados
    JoVE
    x logofacebook logolinkedin logoyoutube logo
    ACERCA DE JoVE
    Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
    AUTORES
    Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
    BIBLIOTECARIOS
    TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
    INVESTIGACIÓN
    JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
    EDUCACIÓN
    JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
    Términos y Condiciones de Uso
    Política de Privacidad
    Políticas

    Los investigadores desarrollaron un nuevo marco para comprender la computación en modelos de circuitos neuronales. Este enfoque simplifica las redes complejas, permitiendo el análisis sin simulación detallada, y tiene potencial para nuevos circuitos electrónicos.

    Área de la Ciencia:

    • La neurociencia computacional es la neurociencia computacional.
    • Las redes neuronales artificiales son redes neuronales artificiales.
    • La biofísica es la biofísica.

    Sus antecedentes:

    • Comprender la computación neural es crucial para la neurociencia y la IA.
    • Los modelos existentes a menudo requieren simulaciones complejas.
    • Las neuronas biológicas poseen propiedades computacionales simplificadas pero esenciales.

    Objetivo del estudio:

    • Presentar un nuevo marco conceptual para el análisis de la computación en modelos de circuitos neuronales.
    • Introducir un principio de minimización para comprender el comportamiento de los circuitos.
    • Explorar el potencial para la implementación de nuevos circuitos electrónicos.

    Principales métodos:

    • Desarrollo de un marco conceptual para la computación de circuitos neuronales.

    Videos de Experimentos Relacionados

  • Utilizando un principio de minimización para analizar la dinámica de los circuitos.
  • Modelado de neuronas de respuesta graduada no lineales en redes con conexiones sinápticas simétricas.

    • Principales resultados:

    • Un método para entender la computación compleja de circuitos neuronales sin dinámica detallada.
    • El marco se aplica a los circuitos que resuelven problemas biológicamente relevantes.
    • Demostró la retención de propiedades computacionales clave en modelos simplificados de neuronas.

    Conclusiones:

    • El marco conceptual y el principio de minimización ofrecen una visión de la computación neural.
    • El modelo proporciona una aproximación simplificada pero efectiva de las neuronas biológicas.
    • La implementación en dispositivos electrónicos podría conducir a nuevos circuitos con funciones únicas.