Die Fähigkeit, aktuelle Berechnungen auf Erinnerungen aus der Vergangenheit zu stützen, ist für viele kognitive Aufgaben, wie beispielsweise das Verstehen von Geschichten, entscheidend. Hebbianische synaptische Plastizität gilt als Grundlage für die Speicherung von Erinnerungen über mittlere und lange Zeiträume im Gehirn. Unklar ist jedoch, wie solche Plastizitätsprozesse mit Berechnungen in kortikalen Netzwerken integriert werden. Hier präsentieren wir Hebbian Memory Networks (H-Mems), ein einfaches neuronales Netzwerkmodell, das um ein zentrales hetero-assoziatives Netzwerk aufgebaut ist, das Hebbianischer Plastizität unterliegt. Wir zeigen, dass das Netzwerk optimiert werden kann, um die Hebbianische Plastizität für seine Berechnungen zu nutzen. H-Mems können Assoziationen zwischen Stimulus-Paaren in einem einzigen Schritt speichern und diese später für Entscheidungsprozesse nutzen. Zudem sind sie in der Lage, anspruchsvolle Fragen zu synthetischen Geschichten zu beantworten. Unsere Studie zeigt, dass neuronale Netzwerkmodelle ihre Berechnungen durch einfache Hebbianische Plastizitätsprozesse mit Erinnerungen bereichern können.