Nervová spojení v lidském mozku se mění na základě vjemů z okolí. Způsob, jakým k proměnám dochází, a jak přesně tyto proměny ovlivňují vlastnosti mozkové tkáně, dosud není zcela pochopen. Práce zkoumá souvislost paměti a učení s prostorovým uspořádáním neuronů, zejména pak s tvarem jejich dendritických výběžků. Součástí je model, který zachycuje mozkovou tkáň pomocí dvourozměrné mřížky s různými druhy spojení mezi jednotlivými buňkami mřížky. Tento model je formálně definován a dále podroben teoretickému zkoumání. Zásadním výsledkem je důkaz věty o výpočetní síle definovaného modelu na úrovni Turingova stroje. K nalezení vhodné architektury vzhledem k problému slouží několik variant evolučních algoritmů. Model s danou architekturou je dále adaptován na základě komunikace s prostředím. Popsané myšlenky jsou implementovány a podrobeny několika experimentům, které poukazují na důležité vlastnosti modelu. Powered by TCPDF (www.tcpdf.org)

Neural connections in the human brain are known to be modified by experiences. Yet, little is known about the mechanism of the modification and its implications on the brain function. The aim of this thesis is to investigate what impact the spatial properties of brain tissue can have on learning and memory. In particular, we focus on the dendritic plasticity. We present a model where the tissue is represented by a two-dimensional grid and its structure is characterized by various connections between the grid cells. We provide a formal definition of the model and we prove it to be computational as strong as the Turing machine. An adaptation algorithm proposed enables the model to reflect the environmental feedback, while evolutionary algorithms are employed to search for a satisfactory architecture of the model. Implementation is provided and several experiments are driven to demonstrate the key properties of the model. Powered by TCPDF (www.tcpdf.org)