The simulation of the biological memory can be implemented using a computationalneural network called the Bayesian Confidence Propagating Neural Network(BCPNN). This network architecture consists of units called minicolumns, organizedinto hypercolumns, and operates with a competitive winner-takes-all mechanism.The project studies the network's capability to store sequential memories as the sizeof the network varies.By varying the number of minicolumns and hypercolumns, as well as the timeconstant known as the learning rate, we can gain better insights into how thenetwork's learning and recall success varies. The findings reveal that increasing thenumber of minicolumns enhances learning success more effectively than varying thenumber of hypercolumns. The impact of the learning rate on the networkperformance is less conclusive, indicating the need for further study to optimize thisparameter.Further research is needed to explore larger network architectures and longersequences with variations in patterns to enhance the applicability of these findings.

Simuleringen av det biologiska minnet kan implementeras med hjälp av ettberäkningsnätverk kallat Bayesian Confidence Propagating Neural Network(BCPNN). Denna nätverksarkitektur består av enheter kallade minikolumner,organiserade i hyperkolumner, och fungerar med en konkurrensmekanism därvinnaren tar allt. Projektet studerar nätverkets förmåga att lagra sekventiella minnennär nätverkets storlek varierar.Genom att variera antalet minikolumner och hyperkolumner, samt tidskonstantenkänd som inlärningshastigheten, kan vi få bättre insikt i hur nätverkets inlärnings-och återkallningsframgång varierar. Resultaten visar att en ökning av antaletminikolumner förbättrar inlärningsframgången mer effektivt än att variera antalethyperkolumner. Effekten av inlärningshastigheten på nätverkets prestanda är mindretydlig, vilket indikerar behovet av ytterligare studier för att optimera denna parameter.       Ytterligare forskning behövs för att utforska större nätverksarkitekturer och längresekvenser med variationer i mönster för att öka tillämpligheten av dessa resultat.