Explore les réseaux d'attraction et les généralisations du modèle Hopfield en neuroscience computationnelle, en mettant l'accent sur la recherche de mémoire et la convergence dynamique.
Explore le modèle de Hopfield stochastique, les neurones bruyants, les probabilités de tir, la récupération de mémoire et les équations de chevauchement dans les réseaux d'attraction.
S'engage dans l'apprentissage continu des modèles de représentation après déploiement, soulignant les limites des réseaux neuronaux artificiels actuels.
Discute des défis liés à la construction de réseaux neuraux physiques, en mettant l'accent sur la profondeur, les connexions et la capacité de formation.
Explore les modèles de décision en neuroscience computationnelle, en mettant l'accent sur la dynamique concurrentielle, la prise de décision perceptive et le problème du libre arbitre.
Couvre l'informatique neuromorphe, les défis dans l'informatique ternaire et binaire, les simulations matérielles du cerveau, et les nouveaux matériaux pour les cellules cérébrales artificielles.
Couvre les bases NeuroM, y compris la vérification de la qualité des neurones, l'extraction de la morphométrie et la visualisation des neurones dans différents formats.
Explore les défis et la signification de la classification des neurones en fonction de la morphologie pour la modélisation précise du cerveau et la compréhension de la fonction cérébrale.
Explore la dynamique des populations neuronales, en mettant l'accent sur les réseaux aléatoires et les arguments de terrain moyen pour la connectivité.