MARC

 008240220s2023        ulk                      00        kor
■001000016934952
■00520240214101835
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380383202
■035    ▼a(MiAaPQ)AAI30637141
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a530
■1001  ▼aBaserdem,  Batuhan.
■24510▼aStudying  Neural  Computation  Through  Connectomics▼h[electronic  resource]
■260    ▼a[S.l.]▼bState  University  of  New  York  at  Stony  Brook.  ▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a1  online  resource(123  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  Serra,  Marivi  Victoria  Fernandez;Koulakov,  Alexei;Dawber,  Matthew.
■5021  ▼aThesis  (Ph.D.)--State  University  of  New  York  at  Stony  Brook,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aNeurons  in  the  brain  of  biological  organisms  constantly  perform  calculations  that  are  complex  and  non-linear.  Both  the  physiology  and  the  organization  of  the  connections  of  neurons  are  crucial  in  studying  how  such  calculations  are  performed.  The  connectome,  a  term  coined  as  parallel  to  the  genome,  consists  of  the  total  information  of  the  neural  connections  in  the  brain.  Studying  and  inferring  the  connectome  is  crucial  for  understanding  how  information  is  processed  by  organisms.  In  recent  years,  inspiration  from  the  structure  of  biological  neural  networks  has  given  rise  to  digital  algorithms  that  are  able  to  perform  similar  complex  calculations.  Such  algorithms  are  collectively  referred  to  as  artificial  neural  networks  (ANNs),  and  are  able  to  perform  tasks  that  have  been  deemed  otherwise  intractable.  With  these  algorithms,  obtaining  the  connections  that  performs  specific  tasks  is  the  main  objective;  highlighting  the  importance  of  structure  of  connectivity  for  performing  neural  computations.This  dissertation  will  briefly  introduce  neural  networks  of  biological  and  artificial  variety.  They  will  be  studied  on  how  the  connectivity  relates  to  their  function.  The  question  of  how  connectomic  information  can  be  compressed,  stored  and  retrieved  will  be  explored.  A  theoretical  framework  of  biologically  plausible  connectome  cloning  will  be  studied,  demonstrating  that  the  connectome  can  be  stored  and  retrieved  genetically  using  a  local  self-assembly  algorithm.  A  recent  imaging  technique  that  measures  high-throughput  connectomic  information  will  be  introduced,  along  with  the  analysis  tools  used  to  extract  previously  unknown  structure  of  the  mouse  olfactory  system.  Lastly,  odor  navigation  tasks  will  be  performed  in  a  simulated  environment  to  study  the  role  of  connectomics  in  performing  foraging  tasks  within  a  Reinforcement  Learning  paradigm.
■590    ▼aSchool  code:  0771.
■650  4▼aPhysics.
■650  4▼aNeurosciences.
■650  4▼aComputational  physics.
■653    ▼aConnectome
■653    ▼aConnectomics
■653    ▼aNeural  networks
■653    ▼aOlfaction
■653    ▼aReinforcement  learning
■653    ▼aArtificial  neural  networks
■653    ▼aNeurons
■690    ▼a0605
■690    ▼a0317
■690    ▼a0216
■71020▼aState  University  of  New  York  at  Stony  Brook▼bPhysics.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0771
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16934952▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서