Computational Neuroengineering

Wir entwickeln maschinelle Lernmethoden zur Interpretation komplexer Daten für Anwendungen in Wissenschaft und Technik.

Unser Ziel ist es zu verstehen, welche Berechnungen in neuronalen Netze ablaufen, wenn sensorische Informationen verarbeitet werden und intelligentes Verhalten gesteuert wird. Zu diesem Zweck entwickeln wir statistische Modelle und Algorithmen des maschinellen Lernens für die Datenanalyse im großen Maßstab und arbeiten mit experimentellen Laboren zusammen, die Messungen der neuronalen Aktivität und des neuronalen Verhaltens durchführen. Als zentrale Forschungsmethode verwenden wir Bayes'sche Inferenz: Sie ermöglicht es, strukturierte Wahrscheinlichkeitsmodelle aufzustellen unter Einbeziehung von Vorwissen. Dadurch kann die Unsicherheit über Modellparameter und Vorhersagen quantifiziert und ermittelt werden, und bestimmt werden welche zusätzlichen Messungen für die Verbesserung am aussagekräftigsten sind.