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

PAOLO MASSOBRIO (Presidente)

SILVIO PAOLO SABATINI (Presidente)

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.