Projecte llegit

Títol: Biological vs Random Sparse Connectivity in Thalamocortical Neural Networks

---

Estudiant que ha llegit aquest projecte:

ÁLVAREZ SÁNCHEZ, ÁNGELES SCARLETH (data lectura: 08-09-2026)
   Cerca aquest projecte a Bibliotècnica

---

Tutor/a o Cotutor/a: PRATS SOLER, CLARA

Departament: FIS

Títol: Biological vs Random Sparse Connectivity in Thalamocortical Neural Networks

Data inici oferta: 25-11-2025      Data finalització oferta: 25-06-2026

---

Estudis d'assignació del projecte:

GR ENG SIS BIOLÒG 23

Lloc de realització:

UPC      Departament/centre: EPSEM

Segon tutor/a (UPC): MANUBENS GIL, LINUS MARIA

Paraules clau:
Xarxes neuronals, NeuroIA, Arquitectura de xarxa, Aprenentatge automàtic.

Descripció del contingut i pla d'activitats:
Objectius
Investigar la relació entre l'arquitectura de xarxa inspirada en el cervell i el rendiment de les tasques cognitives utilitzant Xarxes Neuronals Artificials (ANN).
Comparar algoritmes d'aprenentatge clàssics i bioinspirats (per exemple, backpropagation vs.
regles basades en plasticitat Hebbiana) a través de diferents arquitectures de xarxa.
Identificar quines característiques arquitectòniques (per exemple, modularitat, recurrència, profunditat) milloren el rendiment en dominis cognitius específics (per exemple, visió, llenguatge).
Traduir coneixements de circuits biològics a models artificials per guiar el desenvolupament futur de la Intel·ligència Artificial (IA).
Compartir els resultats a través d'una publicació revisada per parells en el domini de NeuroIA.

Activitats
' Revisar les dades de connectòmica i extreure les característiques clau de l'arquitectura de xarxa biològica (per exemple, jerarquia, propietats de small-world, centralitat).
' Dissenyar i implementar xarxes neuronals artificials que emulin aquestes característiques arquitectòniques (utilitzant PyTorch, TensorFlow o similar).
' Simular tasques cognitives (per exemple, classificació, predicció de seqüències, memòria de treball) utilitzant models de retroalimentació i recurrents.
' Analitzar quines propietats arquitectòniques correlacionen amb un millor rendiment de les tasques, traçant paral·lelismes amb especialitzacions conegudes de la funció cerebral (per exemple, còrtex visual, còrtex prefrontal).
' Visualitzar i interpretar les representacions apreses, especialment en relació amb principis biològics (per exemple, camps receptius, dispersió, modularitat).
' Projecte en la interfície entre la IA i la neurociència computacional.

Overview (resum en anglès): Artificial neural networks are typically designed using dense or randomly sparse connectivity,
whereas biological neural systems exhibit highly structured wiring patterns shaped by evolution.
Recent advances in connectomics have enabled the exploration of whether incorporating these
biological connectivity principles into artificial neural networks provides measurable computational
advantages.
This dissertation compares a sparse neural network constrained by the mouse thalamocortical
connectome with a random sparse network of equivalent size and sparsity. Both models share the
same architecture, training procedure, and number of active connections after mask generation,
differing only in the distribution of those connections. The biological connectivity was derived from
the thalamocortical reconstruction published by Qian et al. (2024). Performance was evaluated on
MNIST, Permuted MNIST (P-MNIST), and CIFAR-100, together with robustness under progressive
neuronal loss and the effect of increasing network capacity through neuronal cloning.
The results show no consistent performance advantage for the biological topology over the
sparsity-matched random control. Both models achieved comparable classification accuracy across
all datasets and exhibited similar behaviour under most population reductions. Although the
biological network displayed an abrupt performance collapse at one subsampling level, this was
attributed to the interaction between the sampling strategy and the heterogeneous anatomical
organisation of the connectome rather than to biological connectivity itself. Increasing network
capacity also failed to improve performance on CIFAR-100, suggesting that the principal
architectural limitation lies in the simplified convolutional front-end.
Overall, this work provides a controlled framework for evaluating biologically constrained neural
networks and indicates that, under the conditions studied, the mouse thalamocortical connectome
does not confer measurable advantages over an equivalent random sparse topology for supervised
image classification.

Aquest projecte està relacionat amb l'adaptació al Canvi Climatic? No

Aquest projecte està relacionat amb la digitalització del seu àmbit de treball? Sí

---