Zum Seiteninhalt springen

Prof. Dr. Robert Gütig

Exzellenzcluster NeuroCure | Charité – Universitätsmedizin Berlin

Kontaktinformationen
Telefon:+49 30 450 543 701
E-Mail:robert.guetig@bih-charite.de

Forschungsschwerpunkte

Anstatt in stärkere Muskeln, bessere Sensoren oder einen Körperbau zu investieren, der sie in die Luft bringen konnte, entwickelten unsere Vorfahren große teure Gehirne. Um überhaupt nützlich zu sein, müssen sich diese Gehirne sich zu Beginn (und während) ihres Lebens selbst konfigurieren. Unsere Forschungsvision beruht auf unserer Überzeugung, dass die Erfolgsgeschichte der großen Gehirnen (die uns schließlich in den Himmel und auf den Mond gebracht haben) eng mit der Ko-Evolution von Lernalgorithmen verbunden ist, die die es diesen unglaublich anpassungsfähigen Maschinen ermöglichen, den richtigen Parametersatz Parameter in dem riesigen Raum möglicher Einstellungen zu finden, die die ihre Funktion und ihr Verhalten steuern.

Unser Ziel ist es, diese Lernalgorithmen aufzudecken und zu verstehen, wie sie durch zelluläre Prozesse umgesetzt werden. Konkret untersuchen wir Lernen in spikenden neuronalen Netzen, deren Einheiten, wie die Neuronen in unserem Gehirn über Alles-oder-nichts-Aktionspotentiale kommunizieren. Durch Integration verschiedener Abstraktionsebenen innerhalb einer bestimmten Berechnungsperspektive schlägt unser Ansatz Brücken zwischen zellulärer Biophysik, synaptischer Plastizität, der Funktion neuronaler Systeme und maschinellem Lernen.

Im Mittelpunkt unserer aktuellen Projekte steht die kürzlich entwickelte Tempotron Familie von Modellen für spikende neuronale Netze und decken ein breites Spektrum an Themen wie mathematische Analysen der Informationsverarbeitung in spikenden neuronalen Netzen, spike-basiertes Lernen in ein- und und mehrschichtigen neuronalen Netzen, Analyse sensorischer Spike-Daten, zeitliche Verarbeitung mit kurzzeitiger synaptischer Dynamik sowie die angewandte Entwicklung von visuellen und sprachverarbeitenden Systemen.

Publikationen (Auswahl)

Gütig R (2016). Spiking neurons can discover predictive features by aggregate-label learning. Science, 351, 1041. doi: 10.1126/science.aab4113.

Gütig R, Sompolinsky H (2009). Time-warp-invariant neuronal processing. PLoS Biology, 7, e1000141. doi: 10.1371/journal.pbio.1000141.

Gütig R, Sompolinsky H. (2006). The tempotron: a neuron that learns spike timing-based decisions. Nature Neuroscience, 9, 420-428. doi: 10.1038/nn1643.

Gütig R, Aharonov R, Rotter S, Sompolinsky H (2003). Learning input correlations through non-linear temporally asymmetric Hebbian plasticity. Journal of Neuroscience, 23, 3697-3714. doi: 10.1523/JNEUROSCI.23-09-03697.2003.