Impact of Axonal Delays in Reservoir Computing
- Promovendus/a
- Iacob, Stefan-Teodor
- Faculteit
- Faculteit Ingenieurswetenschappen en Architectuur
- Vakgroep
- Vakgroep Elektronica en Informatiesystemen
- Curriculum
- Master Artificial Intelligence - Radboud Universiteit (Nederland), 2020
- Academische graad
- Doctor in de ingenieurswetenschappen: computerwetenschappen
- Taal proefschrift
- Engels
- Vertaling titel
- Invloed van axonale vertragingen in reservoir computing
- Promotor(en)
- prof. Joni Dambre, vakgroep Elektronica en Informatiesystemen - dr. Panayiota Poirazi, Institute of Molecular Biology and Biotechnology of the Foundation for Research and Technology-Hellas (Griekenland)
- Examencommissie
- voorzitter prof. Sabine Wittevrongel (voorzitter Commissie Wetenschappelijk Onderzoek) - prof. Peter Bienstman, vakgroep Informatietechnologie - prof. Dick Botteldooren, vakgroep Informatietechnologie - prof. Serge Massar, Université libre de Bruxelles - dr. Fleur Zeldenrust, Radboud Universiteit (Nederland) - promotor prof. Joni Dambre, vakgroep Elektronica en Informatiesystemen - promotor dr. Panayiota Poirazi, Institute of Molecular Biology and Biotechnology of the Foundation for Research and Technology-Hellas (Griekenland)
Korte beschrijving
Kunstmatige neurale netwerken (ANNs) zijn computer¬modellen die losjes geïnspireerd zijn op hoe hersenen werken. Ze worden tegenwoordig veel gebruikt in toepassingen zoals beeldherkenning en taalmodellen, maar vergen enorme hoeveelheden energie en rekenkracht. Bovendien hebben ze het moeilijker met informatie die zich in de tijd ontwikkelt, zoals spraak of bewegingspatronen. In mijn onderzoek kijk ik naar een alternatieve benadering: reservoir computing. Daarbij gebruik je een netwerk dat grotendeels willekeurig is opgebouwd en zelf niet getraind hoeft te worden. Alleen een laatste uitlees laag leert de gewenste taak. Dat maakt deze netwerken eenvoudiger en energiezuiniger. Ik onderzocht specifiek wat er gebeurt als we deze netwerken realistischer maken door vertragingen toe te voegen, vergelijkbaar met hoe hersencellen signalen doorgeven via uitlopers (axonen). In de hersenen varieert de snelheid waarmee signalen aankomen, afhankelijk van de lengte van die verbinding. Door dit principe na te bootsen in kunstmatige netwerken ontdekte ik dat ze beter worden in het verwerken van tijdsafhankelijke informatie. Dit werk laat zien dat inzichten uit de biologie niet alleen nuttig zijn om de hersenen beter te begrijpen, maar ook kunnen helpen om efficiëntere en krachtigere AI-systemen te bouwen.
Praktisch
- Datum
- Vrijdag 10 oktober 2025, 16:30
- Locatie
- auditorium A - Magnel, gebouw 60 Magnel (eerste verdieping), Technologiepark Zwijnaarde 60, 9052 Zwijnaarde
- Livestream
- Volg online
Meer info
- Contact
- doctoraat.ea@ugent.be