Neurociencia Cognitiva Computacional

Presentación del tema: "Neurociencia Cognitiva Computacional"— Transcripción de la presentación:

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

38

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