Descargar la presentación
La descarga está en progreso. Por favor, espere
1
Neurociencia Cognitiva Computacional
Daniel Finol ICA - LUZ
2
Neurociencia Cognitiva
Estudia las bases biológicas de los fenómenos mentales. ¿Cómo produce el cerebro las funciones psico-cognitivas? ¿Cuál es el algoritmo de procesamiento de información?
3
Neurociencia Cognitiva Métodos
Experimentos de comportamiento y técnicas de medición de la actividad cerebral: Psicofísicos: Relación entre el estímulo físico y su percepción EEG/ERP – MEG: Encefalografías eléctricas y magnéticas PET / fMRI Single (multi) –cell recording Transcranial Magnetic Stimulation
4
Neurociencia Cognitiva Pregunta Última
¿Cómo la materia se convierte en conciencia, la imaginación, sensaciones, etc?
5
Neurociencia Cognitiva Computacional
“Simulando el cerebro para entender la mente” Las herramientas de Neurociencia Teórica (Computacional) + Las preguntas y datos de Neurociencia Cognitiva.
6
Neurociencia Computacional
Modelos matemático-computacionales de cómo funciona el cerebro Principios computacionales y representacionales del cerebro Su implementación neural
7
Neurociencia Cognitiva Computacional
Conexionismo: los fenómenos mentales son procesos emergentes de redes de unidades más simples Ahora: Modelado más cercano y más amplio de los aspectos biológicos
8
Neurociencia Cognitiva Computacional
Construir y probar modelos computacionales, biológicamente plausibles de los datos de la neurociencia, las neuro-imágenes y el comportamiento* Estrategia para modelar simultáneamente los datos de Single-cell Recording, fMRI y del comportamiento humano *FG Ashby, VV Valentin (2004)
9
Neurociencia Cognitiva Computacional
Las unidades de los modelos conexionistas (clásicos) sólo tienen similitud superficial con neuronas reales Son genéricas Describen el comportamiento humano pero no modelan datos de neurociencia Los modelos de la neurociencia computacional son altamente complejos Hasta cientos de ecuaciones diferenciales para modelar una sola neurona Esta complejidad es demasiado alta para modelar el comportamiento humano
10
Neurociencia Cognitiva Computacional
Los elementos que componen este modelo (NCC: Ashby, Valentin) son unidades que se corresponden con grupos de neuronas (p. ej. Columnas corticales)
11
Neurociencia Cognitiva Computacional
Los pasos de la estrategia son: Hipótesis: Identificar las áreas cerebrales y las interconexiones involucradas en el comportamiento a modelar Escribir el conjunto de ecuaciones diferenciales que describen la activación neural de cada región Adaptar el producto del modelo a cada tipo de dato
12
Neurociencia Cognitiva Computacional
Adaptar el producto del modelo a cada tipo de dato: Para single-cell recording: convertir las activaciones continuas a “Spike-trains” Para fMRI: anexar un modelo de la transformación de activación neural a la señal BOLD fMRI (Blood Oxygen Level Dpendent) Para los datos de comportamiento: se añaden algunas pre-suposiciones que relacionen la activación en un área particular con un comportamiento
13
Redes Neuronales Artificiales–Fase 2
Tomar una teoría de cómo funciona (cierto aspecto o parte de) el cerebro y crear una herramienta computacional con fines prácticos
14
Hierarchical Temporal Memory
Background Jeff Hawkins (PalmPilot, Treo (Smart-Phone)) Redwood Neuroscience Institute (UC Berkeley): Teoría de cómo la corteza procesa información Dileep George: Formulación matemática Marco bayesiano HTM (2008) Numenta (2005) Colaboración
15
World Senses HTM/Cortex People Cars Buildings Words Songs Ideas
patterns World Senses HTM/Cortex
16
“Causes” “Beliefs” World Senses HTM/Cortex People Cars Buildings Words
Songs Ideas cause cause cause cause cause cause patterns World Senses HTM/Cortex
17
1 Discover causes in the world 2 Infer causes of novel input
HTM Causes Representations of Causes What does an HTM do? 1 Discover causes in the world 2 Infer causes of novel input 3 Predict future 4 Direct motor behavior
18
HTMs use a hierarchy of memory nodes
Belief Sensory data
19
HTMs use a hierarchy of memory nodes
Beliefs Sensory data Each node: Discovers causes (of its input) Passes beliefs up Passes predictions down
20
HTMs use a hierarchy of memory nodes
Beliefs Sensory data Each node: Discovers causes (of its input) Passes beliefs up Passes predictions down Each node: Stores common sequences Changing sensory data forms stable beliefs at top Stable beliefs at top form changing sensory predictions
21
1) Why does hierarchy make a difference?
2) How does each node discover and infer causes?
22
Why does hierarchy make a difference?
Shared representations lead to generalization and efficiency
23
Why does hierarchy make a difference?
Shared representations lead to generalization and efficiency HTM hierarchy matches spatial and temporal hierarchy of causes in world
24
Why does hierarchy make a difference?
Shared representations lead to generalization and efficiency HTM hierarchy matches spatial and temporal hierarchy of causes in world Belief propagation techniques ensure all nodes quickly reach mutually compatible beliefs
25
Belief Propagation 90% cat 80% woof 70% pig image 20% meow
CPT 80% woof 20% meow 70% pig image 30% cat image
26
Why does hierarchy make a difference?
Shared representations lead to generalization and efficiency HTM hierarchy matches spatial and temporal hierarchy of causes in world Belief propagation techniques ensure all nodes quickly reach mutually compatible beliefs Affords mechanism for attention
27
How does each node discover causes?
28
How does each node discover causes?
Learn common spatial patterns Learn common sequences of spatial patterns
29
How does each node discover causes?
Learn common spatial patterns (things that happen at the same time are likely to have a common cause)
30
How does each node discover causes?
Learn common spatial patterns Common patterns: remember Uncommon patterns: ignore
31
How does each node discover causes?
Learn common spatial patterns Learn common sequences of spatial patterns
32
How does each node discover causes?
Learn common spatial patterns Learn common sequences of spatial patterns Common sequence: assign to cause Common sequence: assign to cause Uncommon sequence: ignore time
33
How does each node discover causes?
Learn common spatial patterns Learn common sequences Use context from above in hierarchy
34
Do HTMs really work?
35
Simple HTM vision system (32x32 pixel)
Level 3 Level 2 Level 1 4 pixels
36
Training images
37
Training images Correct Incorrect
39
Correctly recognized images
40
Redes Neuronales Artificiales–Fase 2
Otros modelos Boltzmann Machines: Hinton, Sejnowsky Adaptive Resonance Theory: Grossberg Carpenter
41
Conectividad Inferir la arquitectura conectiva del cerebro
A partir de datos fMRI Causalidad Inferencia de red bayesiana Grafos e hipergrafos
Presentaciones similares
© 2024 SlidePlayer.es Inc.
All rights reserved.