Understanding the brain and its functions is achallenging undertaking. To facilitate this work, brain-inspiredtechnology may be used to examine cognitive phenomena to acertain extent, by replacing real biological brains with simulations.The aim of this project was to provide insights intohow different kinds of plasticity modulation affected long-termmemory recall through the use of a computational model. Aneural network was constructed based on the existing BayesianConfidence Propagation Neural Network (BCPNN) model andtrained with binary patterns representing memories acquiredover a lifetime. By varying network plasticity parameters forselected patterns and performing recall of “aging” memories,greater effects were observed in recall statistics for modulationearly in the lifetime in comparison with modulation of later ages.From the experiments conducted in this study it was possible toconclude that selective modulation of learning affected the longtermrecall of all memories in the simulation. / Att förstå hjärnan och alla dess funktionerär en stor utmaning. För att underlätta detta arbete kanhjärninspirerad teknologi i viss utsträckning användas för attstudera kognitiva fenomen, genom att ersätta biologiska hjärnormed simuleringar. Syftet med denna studie var att ge en insikt ihur olika typer av modulering av synaptisk plasticitet påverkadeett simulerat biologiskt långtidsminne genom användning av endatoriserad modell. Ett neuralt nätverk implementerat med eninlärningsregel av typen Bayesian Confidence Propagation NeuralNetwork (BCPNN) konstruerades och användes för att träna och återkalla binära mönster, representerande minnen förvärvadeunder en livstid. Nätverkets synaptiska plasticitet varierades underträning av utvalda mönster och därefter utfördes återkallningav “åldrade” minnen. Testerna påvisade effekt på nätverketsförmåga att korrekt återkalla lagrade minnen. Det visade sigäven att modulering utförd på tidiga simulerade åldrar jämförtmed modulering av senare åldrar under livstiden hade störrepåverkan på långtidsminnet. Från resultaten var det möjligtatt konstatera att selektiv plasticitetsmodulering under inlärningpåverkade nätverkets förmåga att korrekt återkalla samtligabinära mönster i simuleringen. / Kandidatexjobb i elektroteknik 2021, KTH, Stockholm

Episodic memory forms a fundamental aspect of human memory that accounts for the storage of events as well as the spatio-temporal relations between events during a lifetime. These spatio-temporal relations in which episodes are embedded can be understood as their contexts. Contexts play a crucial role in episodic memory retrieval. Despite this, little work has been done in the computational neuroscience literature on trying to investigate this relationship further. These interactions can be modelled with attractor neural networks such as the Bayesian Confidence Propagation Neural Network (BCPNN). In this project, the interaction between contextual aspects and memory items are studied by developing an abstract computational model of episodic memory retrieval. The effect of increasing the number of items associated with a particular context on the overall recall performance is examined. Finally, the role of synaptic plasticity modulation of certain item-context associations on recall is also analysed. It is found that an inverse relationship exists between the number of items associated with a context and their subsequent recall rates, i.e. as the number of items associated with an episodic context increase, the recall rates of the corresponding items decrease. Furthermore, it is found that the item-context pairs for which the synaptic plasticity is modulated during learning, have a significantly higher recall rate than the remaining unmodulated associations. / Episodiskt minne utgör en grundläggande aspekt av det mänskliga minnet som står för lagring av händelser samt de spatio-temporala relationerna mellan dem under en livstid. De spatio-temporala relationer i vilka episoderna är inbäddade kan betraktas som deras kontexter, vilka spelar en avgörande roll i episodisk minnesåterkallande. Trots detta har inte mycket forskning inom beräkningsneurovetenskapi gjorts för att närmare undersöka bakomliggande neurala mekanismer. Minnesåterkallandet inklusive interaktioner mellan kontext och minnesobjekt kan modelleras med återkopplade neurala nätverk, s k attraktornät, t ex av typen för Bayesian Confidence Propagation Neural Network (BCPNN). I det här projektet studeras interaktionen mellan kontextuella aspekter och minnesobjekt genom att utveckla en abstrakt BCPNN-modell av episodisk återkallande. Effekten av att variera antalet objekt-kontextassociationer på återkallningsbeteende undersöks. Slutligen analyseras också effekten av synaptisk plasticitetsmodulering av vissa minnesobjekt-kontext-associationer på korrekt minnesåterkallelse. Det observeras att när antalet objekt associerade med ett sammanhang ökar, minskar återkallningsfrekvensen för motsvarande objekt. Vidare är det konstaterat att minnesobjektföremålet-kontextpar för vilka den synaptiska plasticiteten moduleras under lärande, har en betydligt högre återkallningsgrad än de återstående omodulerade föreningarna.