======Modelli usati con NEST======

Distinguere:
  * neurone
  * sinapsi

Si è già visto che i neuroscienziati hanno scoperto [[neurali:modelli di neuroni e di sinapsi|diversi tipi neuroni]].
NEST utilizza dei modelli matematici equivalenti per i neuroni, per descrivere la generazione e la durata degli impulsi emessi.

Per descrivere i pesi delle connessioni, e le leggi con cui si modificano, si utilizzano [[neurali:modelli di sinapsi]].

==== Sinapsi ====

I pesi delle connessioni sono stabiliti durante la fase di [[neurali:addestramento]]. Dopo l'addestramento la rete neurale può essere utilizzata per riprodurre il comportamento di una certa funzione (fornendo input e ricevendo output).
La plasticità di una sinapsi indica quanto è possibile modificare i pesi dopo la fase diaddestramento, durante la fase di produzione, di esercizio o utilizzo. La modifica dei pesi permette di realizzare funzioni neurali che non possono essere ottenute usando pesi costanti, come la memoria. Con i pesi costanti si potrebbero ottenere funzioni neurali che non cambiano con il tempo, come la capacità di riconoscere i colori oppure le forme.

Anche la plasticità di una sinapsi può essere rappresentati tramite diversi modelli:

  * static plasticity (default)
  * [[neurali:long-term_potentation]] [[neurali:long-term_potentation#LTD]]
  * short-term potentation
  * spike-timing depending plasticity (STDP) vedere [[neurali:associative learning]]

Funzione python per visualizzare tutti i modelli disponibili

  nest.Models(synapses)


Una delle caratteristiche che contraddistingue una sinapsi è la sua destinazione finale.

  * allow_autapses:true ([[neurali:neuroni#sinapsi|autoapsi]])
  * allow_multipses:true (sinapsi multiple)

===Tipi di connessione===

  * one_to_one (default, ogni neurone è connesso ad uno e un solo altro neurone e viceversa)
  * all_to_all (ogni neurone è connesso a tutti gli altri neuroni, a maglia completa)
  * fixed_indegree (parametrico, N , stabilisco n. connessioni fisso in ingresso verso l'altra lista)
  * fixed_outdegree (meno efficiente del precedente)
  * fixed_total_numer (parametrico, N, stabilisco il n. di connessioni in ingresso verso l'altra lista)
  * pairwise_bernoulli (parametrico, p è la distribuzione di probabilità per generare casualmente connessioni)
  * Questa funzione accetta anche due volte la stessa lista di nodi

===Modelli di neuroni===

Le caratteristiche indicate hanno dei valori numerici predefiniti, ma il programmatore **può modificare** questi valori per ottenere comportamenti leggermente diversi

[[neurali:nest modello iaf_neuron]]