The brain enables organisms to perceive the world, learn from experience, generate complex behavior, and give rise to cognition. Understanding the information processing principles underlying brain computation remains a key challenge in computational neuroscience and cognitive science. Elucidating these principles has the potential to provide a foundation for developing intelligent machines and energy-efficient, scalable, and robust artificial intelligence paradigms.

This thesis investigates neural network models incorporating key brain-like design principles, focusing on unsupervised representation learning and the formation of robust associative memory. While modern deep learning approaches achieve strong performance in representation learning tasks, they rely on backpropagation-based optimization, which lacks biological plausibility and depends on globally coordinated computations. There remains a need for neural network models that can demonstrate complex functionalities while remaining grounded in biological principles.

To address this gap, this thesis develops a class of brain-like models based on the Bayesian Confidence Propagation Neural Network (BCPNN) framework. The proposed models incorporate key brain-like design principles, including localized Hebbian synaptic plasticity, structural plasticity, activity and connection sparsity, and a modular architecture derived from neocortical columnar organization. Furthermore, the models integrate feedforward, recurrent, and feedback connectivity to support both representation learning and associative memory.

This work comprises three main lines of investigation. First, the unsupervised representation learning capabilities of a feedforward model are examined, demonstrating that structured internal representations can be learned directly from unlabeled data using localized synaptic and structural plasticity. Second, the formation of associative memory is studied by integrating recurrent connectivity in the representation learning model, demonstrating robust recall from partial, noisy, or corrupted inputs when tested on pattern completion, prototype extraction, and noise robustness tasks. Third, the framework is extended to spiking neural networks, where neurons communicate via stochastic spike events, and the results show that, through synaptic short-term filtering and appropriate temporal scaling, the spiking models approximate the behavior of their rate-based counterparts while preserving functionality and performance. 

Overall, the results establish that brain-like design principles can support scalable representation learning and robust associative memory, demonstrating a bridge between neuroscience and artificial intelligence within the emerging field of NeuroAI. This work further offers a pathway toward energy-efficient, brain-like neuromorphic systems capable of operating in real-time and in dynamic environments.

Hjärnan gör det möjligt för organismer att uppfatta världen, lära av erfarenhet, generera komplext beteende och ge upphov till kognition. Att förstå de informationsbearbetningsprinciper som ligger till grund för hjärnans beräkningar är fortfarande en central utmaning inom beräkningskognitiv neurovetenskap. Att klarlägga dessa principer har potential att utgöra en grund för utvecklingen av intelligenta maskiner samt energieffektiva, skalbara och robusta paradigm för artificiell intelligens. 

Denna avhandling undersöker neurala nätverksmodeller som införlivar centrala hjärninspirerade designprinciper, med fokus på representationsinlärning från oövervakad data och bildandet av robust associativt minne. Även om moderna djupa neurala nätverk uppvisar stark prestanda i representationsinlärningsuppgifter, förlitar de sig på optimering baserad på backpropagation, vilket saknar biologisk plausibilitet och är beroende av globalt koordinerade beräkningar. Det finns därför ett behov av neurala nätverksmodeller som kan uppvisa komplex funktionalitet samtidigt som de förblir förankrade i biologiska principer. 

För att adressera detta utvecklar denna avhandling en klass av hjärninspirerade modeller baserade på ramverket Bayesian Confidence Propagation Neural Network (BCPNN). De föreslagna modellerna införlivar centrala hjärninspirerade designprinciper, inklusive lokal Hebbsk synaptisk plasticitet, strukturell plasticitet, gleshet samt en modulär arkitektur härledd från neokortex kolumnära organisation. Vidare integrerar modellerna framåtriktade, rekurrenta och återkopplande kopplingar för att stödja både representationsinlärning och associativt minne. 

Arbetet omfattar tre huvudsakliga undersökningslinjer. För det första studeras den oövervakade representationsinlärningsförmågan hos en framåtriktad modell, vilket visar att strukturerade interna representationer kan läras direkt från oetiketterad data med hjälp av lokal synaptisk och strukturell plasticitet. För det andra undersöks bildandet av associativt minne genom att integrera rekurrenta kopplingar i representationsinlärningsmodellen, vilket demonstrerar robust återkallelse från partiella, brusiga eller störda indata vid tester av mönsterkomplettering, prototyputvinning och brusrobusthet. För det tredje utvidgas ramverket till spikande neurala nätverk, där neuroner kommunicerar via stokastiska spike-händelser, och det visas att de spikande modellerna, genom synaptisk korttidsfiltrering och lämplig tidsmässig skalning, approximerar beteendet hos sina rate-baserade motsvarigheter samtidigt som funktionalitet och prestanda bevaras. 

Sammantaget visar resultaten att hjärninspirerade designprinciper kan stödja skalbar representationsinlärning och robust associativt minne, och därmed etablera en brygga mellan neurovetenskap och artificiell intelligens inom det framväxande området NeuroAI. Detta arbete erbjuder vidare en väg mot energieffektiva, hjärninspirerade neuromorfa system som kan operera i realtid och i dynamiska miljöer.