La descarga está en progreso. Por favor, espere

La descarga está en progreso. Por favor, espere

Neurociencia Cognitiva Computacional Daniel Finol ICA - LUZ.

Presentaciones similares


Presentación del tema: "Neurociencia Cognitiva Computacional Daniel Finol ICA - LUZ."— 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 WorldHTM/CortexSenses People Cars Buildings Words Songs Ideas patterns

16 WorldHTM/CortexSenses People Cars Buildings Words Songs Ideas patterns CausesBeliefs cause cause cause cause cause cause6 0.08

17 Causes Representations of Causes HTM 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 Sensory data Belief HTMs use a hierarchy of memory nodes

19 Sensory data Beliefs HTMs use a hierarchy of memory nodes Each node:Discovers causes (of its input) Passes beliefs up Passes predictions down

20 Sensory data Beliefs HTMs use a hierarchy of memory nodes 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? 1) Shared representations lead to generalization and efficiency

23 Why does hierarchy make a difference? 1) Shared representations lead to generalization and efficiency 2) HTM hierarchy matches spatial and temporal hierarchy of causes in world

24 Why does hierarchy make a difference? 1) Shared representations lead to generalization and efficiency 2) HTM hierarchy matches spatial and temporal hierarchy of causes in world 3) Belief propagation techniques ensure all nodes quickly reach mutually compatible beliefs

25 80% woof 20% meow 70% pig image 30% cat image 90% cat CPT Belief Propagation

26 Why does hierarchy make a difference? 1) Shared representations lead to generalization and efficiency 2) HTM hierarchy matches spatial and temporal hierarchy of causes in world 3) Belief propagation techniques ensure all nodes quickly reach mutually compatible beliefs 4) Affords mechanism for attention

27 How does each node discover causes?

28 1) Learn common spatial patterns 2) Learn common sequences of spatial patterns

29 How does each node discover causes? 1) 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? 1) Learn common spatial patterns Common patterns: remember Uncommon patterns: ignore

31 How does each node discover causes? 1) Learn common spatial patterns 2) Learn common sequences of spatial patterns

32 How does each node discover causes? Common sequence: assign to cause time Common sequence: assign to cause Uncommon sequence: ignore 1) Learn common spatial patterns 2) Learn common sequences of spatial patterns

33 How does each node discover causes? 1) Learn common spatial patterns 2) Learn common sequences 3) Use context from above in hierarchy

34 Do HTMs really work?

35 4 pixels Level 1 Level 2 Level 3 Simple HTM vision system (32x32 pixel)

36 Training images

37 Training images CorrectIncorrect

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


Descargar ppt "Neurociencia Cognitiva Computacional Daniel Finol ICA - LUZ."

Presentaciones similares


Anuncios Google