Torna ai risultati della ricercaBando per assegno di ricerca
| Titolo del progetto di ricerca in italiano | Archiviazione di pattern nelle reti neurali e apprendimento osservazionale |
|---|---|
| Titolo del progetto di ricerca in inglese | Pattern Storage in Neural Networks and Observational Learning |
| Campo principale della ricerca | Physics |
| Sottocampo della ricerca | Statistical physics |
| Campo principale della ricerca | Physics |
| Sottocampo della ricerca | Biophysics |
| Area CUN | 02 - Scienze fisiche |
| S.S.D | FIS/07 - FISICA APPLICATA (A BENI CULTURALI, AMBIENTALI, BIOLOGIA E MEDICINA) |
| Descrizione sintetica in italiano | Il cervello umano contiene miliardi di neuroni collegati da più di cento trilioni di sinapsi che costruiscono innumerevoli strutture formando regioni anatomicamente distinguibili. Anche se il modo in cui funziona il cervello è ancora per lo più sconosciuto, Hopfield ha sviluppato un approccio semplificato per modellare il modo in cui un circuito può immagazzinare ricordi e comportamenti associativi. Questo modello dimostra che le reti neurali ricorrenti a tempo discreto (RNN), connesse casualmente e con neuroni McCulloch-Pitts, possiedono attrattori (stati che si ripetono periodicamente) che rappresentano i ricordi memorizzati o i modelli comportamentali memorizzati nella rete stessa. Inoltre, l'apprendimento osservativo è il processo mediante il quale un osservatore apprende il comportamento di un modello di ruolo attraverso le osservazioni. |
| Descrizione sintetica in inglese | The human brain contains billions of neurons connected with more than a hundred trillion synapses which build countless structures forming anatomically distinguishable regions. Even if the way the brain works is still mostly unknown, Hopfield developed a simplified approach to model how a circuit may store memories and associative behaviors. This model demonstrates that discrete-time Recurrent Neural Networks (RNN) with randomly connected networks and McCulloch-Pitts neurons possess attractors (states that periodically repeat) which represent the stored memories or network stored behavioral patterns. Moreover, observational learning is the process by which an observer learns the behavior of a role-model through observations. We propose an observational learning approach to store activation patterns in a recurrent neural network. In this approach, a Hopfield neural network is trained with Backpropagation Through Time (BPTT). |
| Data del bando | 18/06/2021 |
| Numero di assegnazioni per anno | 1 |
| Stanziamento annuale (indicativo) | 29881 |
| Periodicità | annuale |
| Paesi in cui può essere condotta la ricerca |
Italy |
| Paesi di residenza dei candidati |
EUROPE |
| Nazionalità dei candidati |
EUROPE |
| Sito web del bando | https://web.uniroma1.it/trasparenza/bando/178192_159/2021 |
| Destinatari dell'assegno di ricerca (of target group) |
Early stage researcher or 0-4 yrs (Post graduate) |
|---|---|
| Importo annuale | 29881 |
| Valuta | Euro |
| Comprende lo stipendio dell'assegnista | yes |
| Comprende vitto e spese di viaggio | no |
| Comprende il costo della ricerca | no |
| Criteri di selezione in italiano (breve descrizione) | Valutazione titoli |
| Criteri di selezione in inglese (breve descrizione) | Assessment of title |
| Nome dell'Ente finanziatore | Sapienza Università di Roma |
|---|---|
| Tipologia dell'Ente | Public research |
| Paese dell'Ente | Italy |
| Città | Roma |
| Codice postale | 00185 |
| Indirizzo | Piazzale Aldo Moro |
| Sito web | https://web.uniroma1.it/trasparenza/bando/178192_159/2021 |
| daria.varone@uniroma1.it |
| L'assegno finanziato/cofinanziato attraverso un EU Research Framework Programme? | No |
|---|
| Data di scadenza del bando | 17/07/2021 |
|---|---|
| Come candidarsi | assegnidiricercafisica@uniroma1.it |