En busca del umbral perdido 20 segundos! umbral conservador umbral arriesgado RT menor Errores mayor %Correcto Tiempo

El subterráneo de una decisión. Neuronas del presente y del pasado y otras que dicen basta ya.

El maestro: Alan Turing Enigma Implementación neuronal de los tres pasos: 1)Un método para cuantificar el peso de la evidencia de un evento individual a favor de distintas alternativas. (EL VOTO) 2)Un método para acumular y actualizar el peso proveniente de eventos múltiples. (LA ACUMULACION DE VOTOS) 3)Una regla de decisión para determinar si la evidencia era suficiente para determinar la hipótesis mas probable. (LA RESOLUCION)

“Las neuronas que votan” “Las neuronas que integran o acumulan el voto” “Las neuronas que determinan el umbral”

La neurofisiología de la toma de decisiones Simulacro en el laboratorio de la toma de decisiones en un mundo incierto.

Mov = 11 Acum = Mov = 6±ε Acum = 6 ±ε ε cuantifica las fluctuaciones y por lo tanto disminuye con el numero de partículas

Mov = 6±ε Acum = 6 ±ε

“Las neuronas que votan”

Neuronas que codifican la cantidad y dirección de movimiento Estas neuronas pueden dar un voto en favor de una decisión. La magnitud del “voto” es proporcional a la cantidad de movimiento. Neuronas en MT Un clásico de la fisiología tiempo Potenciales de acción (intensidad de la repuesta neuronal) Primer ensayo (cada punto representa un disparo) Décimo ensayo (el estimulo es el mismo, la respuesta ligeramente variable)

Neuronas que codifican la cantidad y dirección de movimiento Estas neuronas pueden dar un voto en favor de una decisión. La magnitud del “voto” es proporcional a la cantidad de movimiento. Neuronas en MT Un clásico de la fisiología Cada línea es un ensayo. Las respuestas de las neuronas son ruidosas y por lo tanto hay que promediarlas. El experimentador hace esto midiendo muchas veces. Y un sujeto decidiendo: ¿Como resuelve el ruido? Promedio tiempo Potenciales de acción (intensidad de la repuesta neuronal) Flucutuaciones

Neuronas que codifican la cantidad y dirección de movimiento Estas neuronas pueden dar un voto en favor de una decisión. La magnitud del “voto” es proporcional a la cantidad de movimiento. Neuronas en MT Un clásico de la fisiología Neuronas de derecha. Neuronas de izquierda (no responden al movimiento a la derecha) Las neuronas responden gradualmente a la cantidad de movimiento. Dan un voto “graduado”.

Un codificador de movimiento provee el sustrato necesario para decidir hacia donde se mueven los puntos ¿Falta algo? Neuronas en MT Un clásico de la fisiología En cada momento estas neuronas reportan el estado del presente perceptual

“Las neuronas que integran o acumulan el voto”

Cuando se llega a suficiente evidencia ¿cuánto es suficiente? Se ejecuta la decisión. Neuronas en LIP Integracion ruidosa: Un random-walk forzado integra (promedia en el tiempo) la evidencia provista por las neuronas de MT EL ACUMULADOR: Conteo de todos los votos en el tiempo. Como los votos son ruidosos, esto resulta en un random walk. Estimulo Respuesta

Neuronas en LIP EL ACUMULADOR: Conteo de todos los votos en el tiempo. Como los votos son ruidosos, esto resulta en un random walk. El proveedor y el acumulador de votos. ¿Hasta cuando acumulan? El estimulo, luego de una latencia, empiezan a acumular. Un Random Walk forzado. La pendiente indica el forzado y es proporcional a la coherencia. Cuanto mayor la pendiente, se llega antes al umbral y el tiempo de respuesta es menor.

Neuronas en LIP EL ACUMULADOR: Conteo de todos los votos en el tiempo. Como los votos son ruidosos, esto resulta en un random walk. El estimulo, luego de una latencia, empiezan a acumular. Un Random Walk forzado. La pendiente indica el forzado y es proporcional a la coherencia. Cuanto mayor la pendiente, se llega antes al umbral y el tiempo de respuesta es menor.

Respuestas agrupadas en el momento de la respuesta. Todas las respuestas se realizan cuando el integrado neuronal llega al umbral. Existe de hecho otro circuito que responde en el momento que el integrador alcanza el umbral, lanzando la respuesta. Para aquel entonces –pese a que uno no lo supiese – la decision estaba tomada. Puede de hecho manipularse una decisión. ¿Se puede hackear el codigo?

Poniendo a prueba la teoría: ¿Se puede forzar una decisión estimulando una neurona? Estimulo en MT – Es “como si” cambiase la evidencia con que se nutre al random walk. Como si el detector de movimiento detectase mayor coherencia. Resultado: Aumenta la pendiente.

Poniendo a prueba la teoría: ¿Se puede forzar una decisión estimulando una neurona? Estimulo en LIP – Es “como si” hubise salido, en un instante de tiempo, una moneda a fovr de una decisión. Resultado: Aumenta una constante

random walks de probabilidades, random walks de células T, random walks de moléculas en solución, random walks de acciones y subastas, random walks de arenas y partículas sedimentadas, ¿mais que? random walks de palabras, pensamientos. El sueño: ¿tiene orden?

El tiempo como metafora del movimiento Nuñez & Sweetser 2006 Nos acercamos al final del cuatrimestre. Se nos vienen las vacaciones. EL FUTURO ESTA DELANTE Y EL PASADO DETRAS ¿o no?

In Aymara, the basic word for FRONT (nayra, “eye/front/sight”) is also a basic expression meaning PAST, and the basic word for BACK (qhipa, “back/behind”) is a basic expression for FUTURE meaning. Universales no tan universales “El tiempo antes” Nuñez & Sweetser 2006

Neurotaller, Cordoba, Argentina 2007 Jugando a Jung, a la manera de Jung

La traza de una memoria, la forma del espacio de significados a partir de las trayectorias

Coche (in google): Rueda (in google): Coche Y Rueda Pcond – 1% Coche (in google): Física (in google): Coche Y Física Pcond – 0.2% Intuición de la métrica: Signficicados que aparecen juntos (en texto, en la web, en el discurso) están relacionados

Maradona (in google): 12,600,000 Dios (in google): 82,400,000 Dios AND Maradona Pcond – 0.1 Pele (in google): 23,700,000 Dios (in google): 82,400,000 Dios AND Pele Pcond – 0.02 Demostracion de que Maradona esta mas cerca de DIOS que Pele.

Frente a la evidencia … tres barrios del espacio de palabras

La traza de una memoria, la forma del espacio de significados a partir de las trayectorias

Understanding the dynamics of movement, the trace of the memory “La traza de un pensamiento” (difusion acotada) “Los ciclos” “La distancia media entre dos palabras al azar”

p Random-walking en el grafo semantico: La estructura de las trayectorias de asociaciones libres ¿Como son los saltos de las asociaciones libres en el espacio de palabras? ¿Que forma tienen las asociaciones espontaneas, bizarras, los sueños? Si estoy en la palabra roja - ¿A Cual voy? Posibilidad I: A cualquiera. El sueño de Crick (Francis) alimentado por el ruido. Posibilidad II: A las mas cercanas (saltos determinista, con cierto ruido). Posibilidad III: Compulsivo. Determinismo total. Salto a la mas cercana. Ruido (Temperatrua)

Compulsivo… Understanding the navigation rules in the semantic graph Distancias se mantienen pequeñas (no difunde) Ciclo, ciclos

Understanding the navigation rules in the semantic graph El sueño de Crick – todo al azar. Perdida inmediata de memoria No hay ciclos (probabilidad de volver a la misma palabra es casi cero)

Understanding the navigation rules in the semantic graph Dinamica correcta de la perdida de memoria Prediccion correcta de la estructura de ciclos Una ventana visible de las 7 palabras mas cercanas N=7

Diffusion (Random Walk) Levy Flights diffusing with short-cuts, i.e. in a small world Levy-flights are the best description of free word associations

Jugando el juego con robots de Levy-Flight (no patentables)