Physical neural networkA physical neural network is a type of artificial neural network in which an electrically adjustable material is used to emulate the function of a neural synapse or a higher-order (dendritic) neuron model. "Physical" neural network is used to emphasize the reliance on physical hardware used to emulate neurons as opposed to software-based approaches. More generally the term is applicable to other artificial neural networks in which a memristor or other electrically adjustable resistance material is used to emulate a neural synapse.
Test de régressionUn test de régression, ou test de non-régression, est un test ayant pour but de détecter les régressions introduites dans un logiciel après un changement effectué dans celui-ci. Une régression est un défaut qui se produit après une modification d'un logiciel lorsque des fonctionnalités existantes ne sont plus réalisées aussi bien qu'avant.
Neuromorphic engineeringNeuromorphic computing is an approach to computing that is inspired by the structure and function of the human brain. A neuromorphic computer/chip is any device that uses physical artificial neurons to do computations. In recent times, the term neuromorphic has been used to describe analog, digital, mixed-mode analog/digital VLSI, and software systems that implement models of neural systems (for perception, motor control, or multisensory integration).
Tests systèmeLes tests système de logiciel ou de matériel réfèrent à un processus de test d'un système intégré afin d'évaluer sa conformité aux exigences spécifiées. Les tests système appartiennent à la classe des tests de type boîte noire, et en tant que tels, ne devraient exiger aucune connaissance de la conception interne du code ou de la logique. En règle générale, les tests système prennent comme entrée tous les composants logiciels « intégrés » (ayant réussi les tests d'intégration) mais aussi le système logiciel lui-même intégré à n'importe quel système matériel compatible.
Models of neural computationModels of neural computation are attempts to elucidate, in an abstract and mathematical fashion, the core principles that underlie information processing in biological nervous systems, or functional components thereof. This article aims to provide an overview of the most definitive models of neuro-biological computation as well as the tools commonly used to construct and analyze them.
Stochastic simulationA stochastic simulation is a simulation of a system that has variables that can change stochastically (randomly) with individual probabilities. Realizations of these random variables are generated and inserted into a model of the system. Outputs of the model are recorded, and then the process is repeated with a new set of random values. These steps are repeated until a sufficient amount of data is gathered. In the end, the distribution of the outputs shows the most probable estimates as well as a frame of expectations regarding what ranges of values the variables are more or less likely to fall in.
Chemical synapseChemical synapses are biological junctions through which neurons' signals can be sent to each other and to non-neuronal cells such as those in muscles or glands. Chemical synapses allow neurons to form circuits within the central nervous system. They are crucial to the biological computations that underlie perception and thought. They allow the nervous system to connect to and control other systems of the body. At a chemical synapse, one neuron releases neurotransmitter molecules into a small space (the synaptic cleft) that is adjacent to another neuron.
In vivoIn vivo (en latin : « au sein du vivant ») est une expression latine qualifiant des recherches ou des examens pratiqués sur un organisme vivant, par opposition à in vitro ou ex vivo. Les essais cliniques sont une forme de recherche in vivo, en l'occurrence sur des humains. L’expérimentation animale est une des formes principale de recherche in vivo, impliquant généralement d’utiliser des animaux de diverses espèces comme modèles de fonctionnements biologiques ou de maladies ou comme bioréacteurs pour produire des virus, des anticorps ou des produits sanguins, notamment.
NeurogenèseLa neurogenèse désigne l'ensemble du processus de formation d'un neurone fonctionnel du système nerveux à partir d'une cellule souche neurale. Elle a principalement lieu lors du développement neuronal du cerveau chez l'embryon et l'enfant (« neurogenèse primaire »). Certaines structures cérébrales des mammifères continuent cependant à produire des neurones chez l'individu adulte (). Issues du neuroectoderme, provenant lui-même de l'ectoderme, ces cellules migrent pendant la formation des structures du système nerveux central (tube neural puis vésicules cérébrales primitives : prosencéphale, mésencéphale et rhombencéphale).
Adult neurogenesisAdult neurogenesis is the process in which neurons are generated from neural stem cells in the adult. This process differs from prenatal neurogenesis. In most mammals, new neurons are born throughout adulthood in two regions of the brain: The subgranular zone (SGZ), part of the dentate gyrus of the hippocampus, where neural stem cells give birth to granule cells (implicated in memory formation and learning). The subventricular zone (SVZ) of the lateral ventricles, which can be divided into three microdomains: lateral, dorsal and medial.
DonnéeUne donnée est ce qui est connu et qui sert de point de départ à un raisonnement ayant pour objet la détermination d'une solution à un problème en relation avec cette donnée. Cela peut être une description élémentaire qui vise à objectiver une réalité, le résultat d'une comparaison entre deux événements du même ordre (mesure) soit en d'autres termes une observation ou une mesure. La donnée brute est dépourvue de tout raisonnement, supposition, constatation, probabilité.
Loi de probabilitéthumb|400px 3 répartitions.png En théorie des probabilités et en statistique, une loi de probabilité décrit le comportement aléatoire d'un phénomène dépendant du hasard. L'étude des phénomènes aléatoires a commencé avec l'étude des jeux de hasard. Jeux de dés, tirage de boules dans des urnes et jeu de pile ou face ont été des motivations pour comprendre et prévoir les expériences aléatoires. Ces premières approches sont des phénomènes discrets, c'est-à-dire dont le nombre de résultats possibles est fini ou infini dénombrable.
