Memory is a fascinating and complex part of human life. Understanding memory and simulating itthrough modelling can help society take steps towards understanding health issues such asAlzheimer's, dementia and amnesia. To explore aspects of the human memory, neuralcomputational models have proven to be a useful tool which has been utilised for this study. Thegoal of this study was to simulate and explore the impact of neuromodulation on memory recall in asimplistic neural network based on the Bayesian Confidence Propagation Neural Network (BCPNN)model and subsequently test its recall capabilities. The BCPNN is a probabilistic artificial neuralnetwork inspired by Bayes' theorem. Training was carried out for the network using suitablepatterns which would represent the memory acquired through a lifetime and the network's ability torecall the patterns it was presented with was tested. The recall results were graphed to constructthe simulated memory curve.

Minnet är en fascinerande och komplex del av det mänskliga livet. Att förstå minnet med simuleringmed hjälp av modellering kan hjälpa samhället få en djupare förståelse för hälsoproblem såsomAlzheimers sjukdom, demens och amnesi. För att utforska olika aspekter av det mänskliga minnethar neurala beräkningsmodeller visat sig vara ett användbart verktyg och har för den anledningenanvänts i den här studien. Målet med studien var att utforska effekten neuromodulering har påminneshämtning i ett neuralt nätverk baserat på Bayesian Confidence Propagation Neural Network(BCPNN) och därefter testa dess återkallning förmåga. BCPNN är ett probabilistiskt artificiellt neuraltnätverk inspirerat av Bayes teorem. Träning för nätverket utfördes genom att använda passandemönster som representerar minne förvarat över en livstid. Därefter testades nätverkets förmåga attåterkalla dessa minnen. Slutligen användes resultatet av det återkallade minnet för att konstruera engraf som representerar den simulerade minneskurvan.