Synaptische Synchronisierung. Ein zentrales Ziel der Neurowissenschaften ist es, Mechanismen kortikaler Informationsübermittlung und Informationsspeicherung zu erklären. Dies umfasst etwa Aktivitätsmuster in neuronalen Netzwerken sind Schwingungen, Wellen und Synchronisierung. Mit der bisherigen Arbeit konnte gezeigt werden, dass die synaptische Plastizität ein Schlüsselkonzept zur Nachahmung der menschlichen Informationsverarbeitung darstellt. Mit dem Modified Stochastic Synaptic Model (MSSM) wurde dieser Ansatz formalisiert und evaluiert. Durch eine parallelisierte Umsetzung mittels OpenCL und FPGAs konnte gezeigt werden, dass praktische Anwendungen trotz eines für Desktoprechner sehr hohen Rechenaufwands durchaus machbar sind. Auch in industrienahe Anwendungen konnte das Konzept bereits erfolgreich eingesetzt werden.

Maschinelles Lernen. Ein klassischer und vielseitig einsetzbarer Ansatz aus der neuroinspirierten Signalverarbeitung sind künstliche neuronale Netze (KNNs) bzw. Maschinelles Lernen (ML). Aktuell wird im Rahmen einer Kooperation mit der Charite Berlin daran gearbeitet, mithilfe von KNNs aus Messkurven auf zugrundeliegende elektrische Modelleigenschaften von Epithel-Zellschichten zu schließen. Grundlage ist eine quantative Modellierung mehrerer Zellllinien, die zur Entwicklung geeigneter Verfahren herangezogen wird. Mit der bisherigen Arbeit konnte bereits gezeigt werden, dass eine Vorhersage elektrischer Eigenschaften von Epithelien mit höherer Präzision möglich ist als mit Standardverfahren. Weitere Anwendungsmöglichkeiten finden sich in der industriellen Anwendung, beispielsweise bei der Yield-Vorhersage in der Halbleiterindustrie oder der Workload-Vorhersage für Mainframes.

Ausgewählte Publikationen

  • M. Bogdan, D. Brugger, W. Rosenstiel, B. Speiser
    Estimation of diffusion coefficients from voltammetric signals by support vector and gaussian process regression | LINK

    Journal of Cheminformatics 6:30,  2014

  • T. Schmid, D. Günzel, M. Bogdan
    Automated Quantification of the Relation between Resistor-Capacitor Subcircuits from an Impedance Spectrum | LINK

    Proceedings of the International Conference on Bio-inspired Systems and Signal Processing, pp. 141-148, 2014

  • K. El-Laithy, M. Bogdan
    Synaptic energy drives the information processing mechanisms in spiking neural networks | LINK

    Mathematical Biosciences and Engineering 11(2), 2014

  • T. Schmid, M. Bogdan, D. Günzel
    Discerning Apical and Basolateral Properties of HT-29/B6 and IPEC-J2 Cell Layers by Impedance Spectroscopy, Mathematical Modeling and Machine Learning | LINK

    PLoS ONE 8(7): e62913, 2013

  • K. El-Laithy, M. Knor, J. Käs, M. Bogdan
    Digital Detection and Analysis of Branching and Cell Contacts in Neural Cell Cultures | LINK

    J Neurosci Methods., 210(2):206-19, 2012

  • K. El-Laithy, M. Bogdan
    A Reinforcement Learning Framework for Spiking Networks with Dynamic Synapses

    Computational Intelligence and Neuroscience, vol. 2011, Article ID 869348, 12 pages, doi:10.1155/2011/869348, 2011

  • K. El-Laithy, M. Bogdan
    Synchrony State Generation: an Approach using Stochastic Synapses

    Journal of Artificial Intelligence and Soft Computing Research (JAISCR), Vol. 1, No. 1, pp. 17-25, 2011

  • D. Brugger, W. Rosenstiel, M. Bogdan
    Online SVR Training by Solving the Primal Optimization Problem

    Journal of Signal Processing Systems, pp. 1-12, dx.doi.org/10.1007/s11265-010-0514-5, 2010

  • D. Brugger, W. Rosenstiel, M. Bogdan
    Automatic Cluster Detection in Kohonen’s SOM

    IEEE Transactions on Neural Networks, Vol. 19(3):442-459, 2008

  • M.Bogdan, W. Rosenstiel
    Application of Artificial Neural Networks for Different Engineering Problems

    Lecture Notes in Computer Science 1725, 26th Annual Conference on Current Trends in Theory and Practice of Informatics SOFSEM’99, Milovy, 1999, Invited paper