PRESENTAZIONE

Computational Neuroengineering è un insegnamento avanzato offerto agli studenti del corso di laurea magistrale in Informatica, finalizzato a fornire strumenti e metodi per la modellazione del sistema nervoso a diverse scale, dai singoli neuroni a reti neurali complesse.

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

Imparare a utilizzare tecniche computazionali per modellare reti neurali biologiche e comprendere il cervello e le sue funzioni attraverso vari modelli teorici e analogie con l’informatica.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Al termine del corso, lo studente/la studentessa sarà in grado di:
(1) comprendere come lo sviluppo di modelli “in silico” e di motori computazionali neuromorfici possa contribuire a una migliore comprensione delle strategie di codifica adottate dal cervello biologico;
(2) comprendere come il cervello elabora gli stimoli in ingresso e produce output cognitivi e/o motori;
(3) apprendere gli strumenti adeguati per descrivere l’elaborazione dell’informazione neurale a livello di rete;
(4) imparare a sviluppare modelli quantitativi;
(5) imparare a formalizzare i paradigmi neuromorfici di percezione e computazione.

PREREQUISITI

Conoscenze avanzate di matematica, analisi matematica e fisica; analisi di segnali elettrofisiologici; elaborazione dei segnali.

MODALITA' DIDATTICHE

Combinazione di lezioni tradizionali e discussioni in aula.

PROGRAMMA/CONTENUTO

• Modelli di neuroni: i) Modelli biofisici di neuroni: modelli passivi e di Hodgkin e Huxley; ii) Modelli ridotti di neuroni: modelli Integrate-and-Fire (IF) e Izhikevich.
• Trasmissione sinaptica e plasticità: i) Modelli fenomenologici; ii) Modelli dinamici; iii) Plasticità dipendente dal timing degli spike (STDP).
• Modelli di rete: i) panoramica delle diverse strategie (firing vs spiking) per modellare la dinamica neuronale su larga scala; ii) Meta-reti; iii) Reti bilanciate e catene sin-fire; iv) Ruolo della connettività nella dinamica emergente; v) panoramica della teoria dei grafi e metriche per caratterizzare una rete; vi) tipi di connettività; connettività funzionale vs strutturale; vii) interazione tra connettività e dinamica.
• Paradigmi computazionali: i) Codifica e decodifica dell’informazione; ii) Reti feed-forward e ricorrenti, inibizione laterale.
• Elaborazione e rappresentazione di dati multidimensionali: i) Caso studio dei sistemi sensoriali precoci: campi recettivi, curve di tuning, attività di popolazione, meccanismi di lettura; ii) Codifica efficiente e riduzione della dimensionalità; iii) Metodi di decodifica ottimale.
• Sintesi computazionale del processamento delle informazioni cerebrali: modelli di “motori percettivi”, potenzialità ed esempi di progettazione.
  

TESTI/BIBLIOGRAFIA

Slide disponibili su Aulaweb.

Materiale di riferimento:

• Methods in Neuronal Modeling, Koch e Segev, MIT Press, 1999

• Spiking Neuron Models, Gerstner e Kistler, Cambridge Press, 2002

• Computational Modeling Methods for Neuroscientists, De Schutter, MIT Press, 2010

• Theoretical Neuroscience, Dayan e Abbott, MIT Press, 2001

DOCENTI E COMMISSIONI

Commissione d'esame

SILVIO PAOLO SABATINI (Presidente)

ANDREA CANESSA

PAOLO MASSOBRIO (Presidente Supplente)

LEZIONI

INIZIO LEZIONI

In accordo con il calendario didattico approvato dal Consiglio dei Corsi di Studio in Informatica: https://corsi.unige.it/corsi/11964/studenti-orario

ESAMI

MODALITA' D'ESAME

Esame orale su tutti gli argomenti dell’insegnamento, con l’aggiunta di un journal club.

Indicazioni per studenti con certificazione di DSA, di disabilità o di altri bisogni educativi speciali sono disponibili a partire da https://corsi.unige.it/corsi/11964/studenti-disabilita-dsa

MODALITA' DI ACCERTAMENTO

L’esame orale ha l’obiettivo di (1) verificare l’acquisizione dei concetti presentati durante il corso e (2) valutare la capacità di analisi e modellazione su problemi specifici.
In generale, oltre alla correttezza e completezza della risposta, i criteri di valutazione includono la pertinenza rispetto alla domanda, la chiarezza della risposta e la capacità di sintesi.

ALTRE INFORMAZIONI

For further information, please refer to the course’s AulaWeb module or contact the instructor.