Neurociencia Cognitiva Computacional Daniel Finol ICA - LUZ
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?
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
Neurociencia Cognitiva Pregunta Última ¿Cómo la materia se convierte en conciencia, la imaginación, sensaciones, etc?
Neurociencia Cognitiva Computacional “Simulando el cerebro para entender la mente” Las herramientas de Neurociencia Teórica (Computacional) + Las preguntas y datos de Neurociencia Cognitiva.
Neurociencia Computacional Modelos matemático-computacionales de cómo funciona el cerebro Principios computacionales y representacionales del cerebro Su implementación neural
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
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)
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
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)
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
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
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
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
World Senses HTM/Cortex People Cars Buildings Words Songs Ideas patterns World Senses HTM/Cortex
“Causes” “Beliefs” World Senses HTM/Cortex People Cars Buildings Words Songs Ideas cause1 0.22 cause2 0.07 cause3 0.00 cause4 0.63 cause5 0.00 cause6 0.08 patterns World Senses HTM/Cortex
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
HTMs use a hierarchy of memory nodes Belief Sensory data
HTMs use a hierarchy of memory nodes Beliefs Sensory data Each node: Discovers causes (of its input) Passes beliefs up Passes predictions down
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
1) Why does hierarchy make a difference? 2) How does each node discover and infer causes?
Why does hierarchy make a difference? Shared representations lead to generalization and efficiency
Why does hierarchy make a difference? Shared representations lead to generalization and efficiency HTM hierarchy matches spatial and temporal hierarchy of causes in world
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
Belief Propagation 90% cat 80% woof 70% pig image 20% meow CPT 80% woof 20% meow 70% pig image 30% cat image
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
How does each node discover causes?
How does each node discover causes? Learn common spatial patterns Learn common sequences of spatial patterns
How does each node discover causes? Learn common spatial patterns (things that happen at the same time are likely to have a common cause)
How does each node discover causes? Learn common spatial patterns Common patterns: remember Uncommon patterns: ignore
How does each node discover causes? Learn common spatial patterns Learn common sequences of spatial patterns
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
How does each node discover causes? Learn common spatial patterns Learn common sequences Use context from above in hierarchy
Do HTMs really work?
Simple HTM vision system (32x32 pixel) Level 3 Level 2 Level 1 4 pixels
Training images
Training images Correct Incorrect
Correctly recognized images
Redes Neuronales Artificiales–Fase 2 Otros modelos Boltzmann Machines: Hinton, Sejnowsky Adaptive Resonance Theory: Grossberg Carpenter
Conectividad Inferir la arquitectura conectiva del cerebro A partir de datos fMRI Causalidad Inferencia de red bayesiana Grafos e hipergrafos