Abstract
Neurale netwerken bestaan uit kleine units (neuronen) die simpele berekeningen uitvoeren den de uitkomst daarvan doorsturen naar andere neuronen waarmee ze verbonden zijn. Door op een slimme manier verbindingen te leggen en de sterkte van deze verbindingen te manipuleren kunnen dergelijke netwerken ingewikkelde berekeningen parallel uitvoeren. De biologische neurale netwerken in de hersenen zijn in staat zeer complexe berekeningen als visuele herkenning, taal en gehoor uit te voeren; de modellen van neurale netwerken in de informatica kunnen in beperkte mate patronen in spatiele en temporele domein herkennen. Dit grote verschil in capaciteiten komt in belangrijke mate doordat het in de praktijk moeilijk blijkt leermethoden te ontwerpen die kunnen specificeren hoe de verbindingen tussen grote aantallen neuronen gelegd moeten worden. Hetzelfde probleem speelt ook in andere grote systemen van samengestelde onderdelen, zoals multi- agent systemen. In dit NWO VENI project wordt getracht leermethoden uit het gebied van muli- agent systemen aan te passen voor gebruik in state-of-the-art neurale netwerken (spiking neural networks). Spiking neurale netwerken zijn een computermodel van hoe biologische neurale netwerken werken, dit model is gedetailleerder dan "oude" neural netwerk modellen, is aantoonbaar flexibeler, en kan meer complexe berekeningen uitvoeren. Research heeft laten zien dat een gradient leerregel toegepast op een dergelijk spiking neuron op dezelfde manier de gewichten aanpast als in echte neuronen wordt gemeten (Spike Timing Dependent Plasticity). Onderzoek richt zich op dit moment op het schaalbaar maken van implementaties van spiking neurale netwerken parallel op meerdere computers.