S'engage dans l'apprentissage continu des modèles de représentation après déploiement, soulignant les limites des réseaux neuronaux artificiels actuels.
Explore les buts et les défis de la neuroscience computationnelle, en mettant l'accent sur la dynamique neuronale de la cognition et les arguments de terrain moyen.
Explore les types de solutions dans la neuroscience computationnelle, en se concentrant sur des solutions homogènes et de bosse dans la dynamique neuronale.
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.
Explore l'optimisation des systèmes neuroprothétiques, y compris la restauration de rétroaction sensorielle et les stratégies de stimulation neuronale.
Explore la dynamique des populations neuronales, en mettant l'accent sur les réseaux aléatoires et les arguments de terrain moyen pour la connectivité.
Se penche sur la simulation de la dynamique du réseau dans les neurosciences silico, couvrant l'activité spontanée et évoquée, les simulations in-vitro et in-vivo, et l'analyse de sensibilité.
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 la dynamique neuronale dans les neurosciences computationnelles, mettant l'accent sur l'activité de la population, la connectivité corticale et les schémas de connectivité dans les modèles.