Fördermaßnahme

Deutschland - Japan Zusammenarbeit in Computational Neuroscience

Veröffentlichung der Bekanntmachung: 2011
Förderzeitraum: 2012 - 2017
Gesamte Fördersumme: bis zu 1 Mio. Euro
Anzahl der Projekte: 3 (BMBF) + 3 (DFG)

1. Ziele des Förderschwerpunktes

Die „Deutschland - Japan Zusammenarbeit in Computational Neuroscience“ ist eine transnationale Initiative zur Forschungsförderung zwischen Deutschland und Japan. Sie wird vom Bundesministerium für Bildung und Forschung (BMBF) und der Deutschen Forschungsgemeinschaft (DFG) gemeinsam mit der Japan Science and Technology Agency (JST) getragen. Ziel der Fördermaßnahme ist die Etablierung transnationaler Forschungsprojekte, um eine Zusammenarbeit der besten Forschungsgruppen im Forschungsbereich Computational Neuroscience in Deutschland und Japan zu ermöglichen sowie um bereits bestehende Zusammenarbeit zwischen Forschern dieser beiden Länder zu vertiefen.

2. Stand der Fördermaßnahme

Die Fördermaßnahme wurde im Jahr 2011 etabliert. Das BMBF fördert bislang insgesamt drei internationale Verbünde. Die DFG fördert weitere drei Verbünde. Die japanischen Teilprojekte der geförderten Verbünde werden dabei jeweils vom japanischen Partner JST gefördert. In den kommenden Jahren sollen weitere deutsch-japanische Projekte gefördert werden.

Einzelprojekte

Abgeschlossen

Autonomes Lernen von aktiver Tiefenwahrnehmung: von neuronalen Modellen zu humanoiden Robotern

Förderkennzeichen: 01GQ1414
Gesamte Fördersumme: 217.098 EUR
Förderzeitraum: 2014 - 2017
Projektleitung: Dr. Jochen Triesch
Adresse: Frankfurt Institute for Advanced Studies (FIAS)
Ruth-Moufang-Str. 1
60438 Frankfurt am Main

Autonomes Lernen von aktiver Tiefenwahrnehmung: von neuronalen Modellen zu humanoiden Robotern

Das Vorhaben verfolgt im Wesentlichen zwei Ziele. Das erste ist die Entwicklung eines biologisch plausiblen Modells für das autonome Erlernen von aktivem Stereosehen, insbesondere der Entfernungsschätzung, in Säugetieren. Das zweite Ziel ist das Modellieren von Veränderungen des Lernprozesses in pathologischen Fällen (Schielen, Amblyopie) sowie im Fall experimentell veränderter Umweltbedingungen. Der Arbeitsplan besteht aus zwei Arbeitspaketen, die den o.g. Zielen entsprechen. In Arbeitspaket 1 wird ein biologisch plausibles Modell für das autonome Erlernen von aktivem Stereosehen in Säugetieren entwickelt. Ausgangspunkt ist ein erstes Modell von Zhao et al. (2012), in dem eine Erweiterung der Hypothese der effizienten Informationskodierung auf aktive Wahrnehmung vorgeschlagen wurde (aktive effiziente Kodierung). Diese Modell erlernt autonom sowohl eine Repräsentation für Stereodisparität als auch die Generierung von Kontrollsignalen zur korrekten Steuerung von Vergenzbewegungen der Augen. Es illustriert das neue Konzept der aktiven effizienten Kodierung, ist aber in vielerlei Hinsicht noch zu unrealistisch, um mit biologischen Daten verglichen werden zu können. Dieses Modell wird im vorliegenden Projekt dahingehend verändert, dass moderne Modelle für das Erlernen rezeptiver Felder im visuellen Kortex sowie ein detaillierteres Modell für die Ansteuerung der Motorik in das Modell integriert werden. Arbeitspaket 2 wird das verbesserte Modell nutzen,  um Veränderungen des Lernprozesses in pathologischen Fällen (Schielen, Amblyopie) sowie im Fall experimentell veränderter Umweltbedingungen zu simulieren. Dazu werden Manipulationen am Modell vorgenommen (Fehlstellungen der Augen, Sehschwäche eines Auges, visuelle Deprivation etc.) und deren Auswirkungen auf den Lernprozess studiert sowie die Ergebnisse mit biologischen und klinischen Daten verglichen.

Abgeschlossen

Untersuchung der frühkindlichen Entwicklung der Hirnfunktionen, die dem Sehen zugrunde liegen: Entwicklung eines mathematischen Modells zur Beschreibung und quantitativen Analyse von Messungen an Populationen von Nervenzellen im visuellen System der Maus

Förderkennzeichen: 01GQ1413
Gesamte Fördersumme: 224.354 EUR
Förderzeitraum: 2014 - 2017
Projektleitung: Dr. Matthias Kaschube
Adresse: Frankfurt Institute for Advanced Studies (FIAS)
Ruth-Moufang-Str. 1
60438 Frankfurt am Main

Untersuchung der frühkindlichen Entwicklung der Hirnfunktionen, die dem Sehen zugrunde liegen: Entwicklung eines mathematischen Modells zur Beschreibung und quantitativen Analyse von Messungen an Populationen von Nervenzellen im visuellen System der Maus

Die Nervenzellen in unserem Gehirn, wie in den Gehirnen anderer Säugetiere, sind Spezialisten: Sie reagieren nur auf bestimmte Reize. Im visuellen Cortex von Säugern z.B., dem eine zentrale Rolle bei visueller Wahrnehmung zukommt, werden die meisten Zellen nur dann aktiv, d.h. senden viele elektrische Signale an andere Zellen, falls sich ein gesehenes Objekt in eine bestimmte Richtung bewegt. Bewegt es sich in eine andere Richtung, senden sie weniger oder gar keine Signale. Dafür werden dann andere Zellen aktiv. Man vermutet, dass diese ausgeprägte Selektivität von Nervenzellen für die Wahrnehmung eine wichtige Rolle spielt. Die Selektivität einer Zelle entsteht bereits sehr früh während der Entwicklung des Sehsystems und wird maßgeblich vom Input anderer Nervenzellen und damit von der Verschaltung des Netzwerkes, dessen Teil sie ist, beeinflusst. In diesem Projekt soll anhand eines Tiermodells, dem visuellen Cortex der Maus, mit Hilfe von mathematischen Modellen in Verbindung mit experimentellen Daten untersucht werden, wie sich die Selektivitäten von Zellen nach Augenöffnung entwickeln, welche Veränderungen in der Verschaltung diesem Reifeprozess zugrunde liegen und welche Mechanismen dies steuern. Es ist zu erwarten, dass sich die gewonnenen Einsichten auch auf andere Teile des Gehirns sowie auf das Gehirn des Menschen übertragen lassen. Zunächst sollen beginnend zum Zeitpunkt der Augenöffnung in Populationen von Nervenzellen im visuellen Cortex der Maus Veränderungen in den Aktivitätsmustern charakterisiert werden. Gleichzeitig soll ein Netzwerkmodell entwickelt werden, welches die gemessenen Veränderungen quantitativ beschreibt. Mit dessen Hilfe lassen sich Hypothesen über zugrunde liegende Veränderungen in der Verschaltung zwischen den Nervenzellen gewinnen sowie über zelluläre Mechanismen, die diese Veränderungen regulieren. Diese Hypothesen sollen im abschließenden Teil des Projektes experimentell getestet werden.

Abgeschlossen

Impedanzverhalten des menschlichen Arms beim Energieaustausch: von Humanexperimenten über Modelle bis zur Robotik

Förderkennzeichen: 01GQ1344
Gesamte Fördersumme: 365.866 EUR
Förderzeitraum: 2013 - 2017
Projektleitung: Prof. Dr.-Ing. Alois Knoll
Adresse: Technische Universität München, Institut für Informatik
Boltzmannstr. 3
85748 Garching

Impedanzverhalten des menschlichen Arms beim Energieaustausch: von Humanexperimenten über Modelle bis zur Robotik

Die Steifigkeitsregelung des Arms ist einer der wichtigsten Parameter bei menschlicher Bewegung: sie sorgt dafür, dass eine sichere und stabile Interaktion zwischen dem Menschen und seiner Umgebung möglich ist. Die Theorie der Impedanzregelung, in den 80er Jahren von Hogan eingeführt, beschäftigt sich mathematisch mit der Bestimmung und Regelung der optimalen Stetigkeit sowie Dämpfung bei Bewegungen. Menschliche Armsteifigkeit wird seit den 80er Jahren in unterschiedlichen Konstellationen gemessen und die daraus gewonnenen Erkenntnisse zeigen, dass der Mensch die Steifigkeitsregelung je nach Aufgabe gezielt einsetzt. Wie das jedoch bei schnellen Bewegungen mit Energieaustausch - z. B. dem Hämmern - funktioniert, ist bislang unbekannt. In diesem Projekt wird Steifigkeitsregelung beim Menschen in Situationen untersucht, in denen schnelle Armbewegungen verbunden mit einem nicht vernachlässigbaren Energieaustausch stattfinden. Basierend auf diesen Messungen sollen Modelle der menschlichen Impedanzregelung entstehen, die dann als Basis für neuartige Roboterregelungen mit optimierten Kontaktbewegungen dienen. Die Ergebnisse werden in Demonstrationsszenarien verifiziert. In der Kooperation zwischen dem National Institute of Information and Communications Technology (NICT) und der Technischen Universität München (TUM) werden beide Partner bei den Steifigkeitsmessungen involviert sein. Das NICT wird sich danach vor allem auf die Modellierung konzentrieren, während seitens der TUM Datenverarbeitungsmethoden entwickelt werden, die auf maschinellem Lernen basieren.