Prof. Dr. Raoul-Martin Memmesheimer
Professor
Neuronale Netzwerkdynamik und Informationsverarbeitung
Forschungsprofil
In den Forschungsprojekten der Arbeitsgruppe Neuronale Netzwerkdynamik und Informationsverarbeitung geht es darum, auf neurobiologische Fragen mit quantitativen Methoden der theoretischen Biologie, der theoretischen Physik, der angewandten Mathematik und der Informatik eine Antwort zu finden. Zu diesem Zweck kombinieren wir analytische Methoden mit zum Teil aufwändigen numerischen Simulationen. Ein wesentlicher Schwerpunkt ist die Beziehung zwischen kleinskaliger nichtlinearer Signalübertragung und großskaliger kollektiver Gehirnaktivität. Auf lange Sicht soll dadurch ein Verständnis emergenter kognitiver (Verhaltens-)Prozesse erreicht werden.
Prof. Dr. Raoul-Martin Memmesheimer
1.032
Kirschallee 1
53115 Bonn
Lebenslauf
Ich habe mein Diplom (Universität Jena) in der theoretischen Physik, in der allgemeinen Relativitätstheorie erhalten. In meiner Dissertation habe ich mich mit der Theorie spikender neuronaler Netzwerke und biologischen Anwendungen befasst (Universität Göttingen). Als Postdoktorand konnte ich meine Forschungen am MPI für Dynamik und Selbstorganisation (Göttingen) und als Swartz Fellow an der Harvard University (Cambridge, MA, USA) fortsetzen. An der Radboud University Nijmegen (Nijmegen, Niederlande) habe ich dann als Assistenzprofessor (erst Tenure-Track dann Tenure) das Fach Computational Neuroscience in Forschung und Lehre vertreten. Von 2015 bis 2016 habe ich als Fellow der Max-Kade-Society New York am Center for Theoretical Neuroscience der Columbia University geforscht. Im Herbst 2016 bin ich an das FIAS Frankfurt gewechselt. Seit Mai 2017 bin ich Universitätsprofessor am Institut für Genetik der Fachgruppe Biologie der Mathematisch-Naturwissenschaftlichen Fakultät der Universität Bonn. Für meine Forschungsarbeit habe ich verschiedene Preise, Stipendien und Forschungsförderungen erhalten, darunter die Otto-Hahn-Medaille der Max-Planck-Gesellschaft und den Bernstein-Preis.
Lehre
Die Lehre der Arbeitsgruppe Neuronale Netzwerkdynamik und Informationsverarbeitung umfasst einführende und weiterführende Lehrveranstaltungen aus den Bereichen Bioinformatik und Theoretische Neurowissenschaften. In der Bioinformatik werden insbesondere die Themen Programmierung in Python, Programmiertechniken, Klassifikation und Datenbanken, Sequenzanalyse und Maschinelles Lernen behandelt. Die Veranstaltungen im Bereich Theoretischen Neurowissenschaften umfassen Modelle und Modellierungstechniken sowie experimentelle und theoretische Ergebnisse zu Einzelneuronen, zur Dynamik von biologischen Neuronalen Netzwerken, zur Informationsverarbeitung, zu Kognition und Verhalten.
Publikationen
P. Manz and R.-M. Memmesheimer (2023)
Purely STDP-based assembly dynamics: stability, learning, overlaps, drift and aging
PLoS Comput. Biol., 19(4): e1011006
P. Züge, C. Klos, and R.-M. Memmesheimer (2023)
Weight versus Node Perturbation Learning in Temporally Extended Tasks:
Weight Perturbation Often Performs Similarly or Betterdnms_webpage
Phys. Rev. X, 13, 021006.
W. Braun and R.-M. Memmesheimer (2022)
High-frequency oscillations and replay in a two-population model of hippocampal region CA1
PLoS Comput. Biol., 18:e1009891.
Y.F. Kalle Kossio, S. Goedeke*, C. Klos*, and R.-M. Memmesheimer (2021)
Drifting assemblies for persistent memory: Neuron transitions and unsupervised compensation
Proc. Natl Acad. Sci. USA, 118:e2023832118.
pretrain_and_dynlearnC. Klos, Y.F. Kalle Kossio, S. Goedeke, A. Gilra, and R.-M. Memmesheimer (2020)
Dynamical learning of dynamics
Phys. Rev. Lett. 125:088103.
F. Pallasdies, S. Goedeke, W. Braun, and R.-M. Memmesheimer (2019)
From Single Neurons to Behavior in the Jellyfish Aurelia aurita
eLife 8:e50084.
L. Pothmann*, C. Klos*, O. Braganza*, S. Schmidt, O. Horno,
R.-M. Memmesheimer, and H. Beck (2019)
Altered dynamics of canonical feed-back inhibition predicts increased
burst transmission in chronic epilepsy
J. Neurosci. 39:8998-9012.
P. Manz, S. Goedeke, and R.-M. Memmesheimer (2019)
Dynamics and computation in mixed networks containing neurons that
accelerate towards spiking
Phys. Rev. E 100:042404.
Y.F. Kalle Kossio, S. Goedeke, B. van den Akker, B. Ibarz, and R.-M. Memmesheimer
(2018)
Growing critical: Self-organized criticality in a developing neural system
Phys. Rev. Lett. 121:058301.
A. Viriyopase, R.-M. Memmesheimer, and S. Gielen (2018)
Analyzing the competition of gamma rhythms with delayed pulse-coupled oscillators
in phase representation
Phys. Rev. E, 98:022217.
L.F. Abbott, B. DePasquale, and R.-M. Memmesheimer (2016)
Building functional networks of spiking model neurons
Nat. Neurosci. 19:350-355.
A. Viriyopase, R.-M. Memmesheimer, and S. Gielen (2016)
Cooperation and competition of gamma oscillation mechanisms
J. Neurophysiol. 116:232-251.
D. Thalmeier, M. Uhlmann, B. Kappen, and R.-M. Memmesheimer (2016)
Learning universal computations with spikes
PLoS Comput. Biol. 12:e1004895.
S. Jahnke, M. Timme, and R.-M. Memmesheimer (2015)
A unified dynamic model for learning, replay and sharp-wave/ ripples
J. Neurosci. 35:16236-16258.
S. Jahnke, R.-M. Memmesheimer, and M. Timme (2014)
Oscillation-induced signal transmission and gating in neural circuits
PLoS Comput. Biol. 10:e1003940.
R.-M. Memmesheimer*, R. Rubin*, B. Ölveczky, and H. Sompolinsky (2014)
Learning precisely timed spikes
Neuron 82:925-938.
D. Breuer, M. Timme, and R.-M. Memmesheimer (2014)
Statistical physics of neural systems with non-additive dendritic coupling
Phys. Rev. X 4:011053.
S. Jahnke, R.-M. Memmesheimer, and M. Timme (2014)
Hub-activated signal transmission in complex networks
Phys. Rev. E 89:030701(R).
S. Jahnke, R.-M. Memmesheimer, and M. Timme M (2013).
Propagating synchrony in feed-forward networks.
Front. Comput. Neurosci. 7:153.
S. Jahnke, M. Timme, and R.-M. Memmesheimer (2012).
Guiding synchrony through random networks
Phys. Rev. X 2:041016.
R.-M. Memmesheimer and M. Timme (2012).
Non-additive coupling enables propagation of synchronous spiking activity in purely random networks
PLoS Comput. Biol., 8:e1002384.
R.-M. Memmesheimer and M. Timme (2010).
Stable and unstable periodic orbits in complex networks of spiking neurons with delays
Discr. Cont. Dyn. Sys., 28:1555-1588.
R.-M. Memmesheimer (2010).
Quantitative prediction of intermittent high-frequency oscillations in neural networks with supralinear dendritic interactions
Proc. Natl Acad. Sci. USA, 107:11092-11097.
S. Jahnke, R.-M. Memmesheimer and M. Timme (2009).
How Chaotic is the Balanced State?
Front. Comput. Neurosci., 3:13.
R.-M. Memmesheimer and M. Timme (2009).
Synchrony and precise timing in complex neural networks
in Handbook on Biological Networks
eds. Y. Moreno, V. Latora, and S. Boccaletti, World Scientific, London.
S. Jahnke, R.-M. Memmesheimer, and M. Timme (2008).
Stable Irregular Dynamics in Complex Neural Networks
Phys. Rev. Lett. 100:048102
R.-M. Memmesheimer (2007).
Precise Spike Timing in Complex Neural Networks
Doctor of Science Thesis, Georg August University Göttingen.
R.-M. Memmesheimer and M. Timme (2006).
Designing complex networks
Physica D 224:182-201.
R.-M. Memmesheimer and M. Timme (2006).
Designing the Dynamics of Spiking Neural Networks
Phys. Rev. Lett. 97:188101.
R.-M. Memmesheimer and G. Schäfer (2005).
Third post-Newtonian constrained canonical dynamics for binary point masses in harmonic coordinates
Phys. Rev. D 71:044021.
R.-M. Memmesheimer (2004).
Canonical Formulation of Higher Order post-Newtonian/post-Coulombian Point Particle
Dynamics in Harmonic/Lorentz Gauge
Diploma Thesis, Friedrich Schiller University Jena.
R.-M. Memmesheimer, A. Gopakumar, and G. Schäfer (2004).
Third post-Newtonian accurate generalized quasi-Keplerian parametrization for compact binaries in eccentric orbits
Phys. Rev. D 70:104011.