Back to site
Since 2004, our University project has become the Internet's most widespread web hosting directory. Here we like to talk a lot about web development, networking and server security. It is, after all, our expertise. To make things better we've launched this science section with the free access to educational resources and important scientific material translated to different languages.

Misija i istraživanja




    Teorijska neuronauka: pod-disciplina u okviru neuronauke koja pokušava da koristi matematičke i fizičke principe da razumeju prirodu kodiranja, dinamiku, kola i plastičnost u nervnim sistemima.
Često se kaže da je "neuronauka bogata podacima ali teoretski siromašna". Naš cilj je da se obezbede korisni algoritmi i teorijske ideje za neuronauku u cilju:
  • obezbedjivanja novih oblika analize za neuronske podatke (klasu vozova, EEG, MRI),
  • obezbedjivanja teorije i konkretnih modela koji integrišu različita zapažanja i predlažu nove eksperimentalne pristupe.
Odredjeni problemi i pojave za koje smo mi zainteresovani uključuju hijerarhijsku organizaciju i povratne informacije, plastičnost, mehanizme pamćenja, uloge šiljcima-tajminga i oscilacije, resprsnuto kodiranje, proračun za thalamo-kortikalnog sistema i kortikalni mikrokompjuter i vezu između sistema,na ćelijskom i molekularnom nivou neuronauke.

Metodološki, mi koristimo ideje iz teorije i kodiranja probabilističkog mašinskog učenja ukoliko se one odnose na poznate neuronske fenomene i mehanizame u mrežama, ćelijama i molekulima.

Ovde ćemo dati neke kratke opise nekih glavnih istraživačkih tema na Redwood Center-u:

Hijerarhijska organizacija, povratne informacije, i generativni modeli

____________________________________________________________________________________________________________________________________________

Sensory cortex izgleda da se organizuje na hijararhiski nacin, sa informacijama koje dolaze sa niskog nivoa, koje su tesno vezane za direktni senzorni ulaz, na višim područjima, koje su vezane sa više drugih kortikalnih oblasti nasuprot čulnih ulaza. Neuroni u nižim područjima imaju tendenciju da imaju male receptivne pozicije (u smislu oblasti senzora epitela oni integrišu preko),koji su podešeni na lokalizovane funkcije čulnih ulaza, a time i imaju tendenciju da se brzo menjaju u svoju delatnost u odgovoru na vreme- promene senzornog ulaza. Nasuprot tome, neuroni na višim nivoima imaju velika-receptivna polja koja su podešena na više globalnih apstraktnih svojstava culnog sveta (kao što je objekat identiteta), i da su samim tim i invarijantna u odnosu na fluktuacije u sirovom senzornom ulazu. Međutim, postavlja se pitanje šta cini osnovu ove transformacije, i šta se predstavlja u različitim fazama hijerarhije - naročito višeg nivoa područja - ostaje misterija.

Druga prepreka kortikalne organizacije je postojanje povratne sprege veza između nivoa hijerarhija. To jest, ako niži prostor A projektuje do višeg područja B, onda prostor B se obično projektuje nazad ka A. Međutim, kakvu ulogu igraju te povratne veze u obradi podataka, i kako oni doprinose shvatanju, nije dobro razjasnjeno.

Naš cilj je da formulišemo teorijski okvir za hijerarhijsku organizaciju i povratne informacije koji se uzima u obzir u poznatu neuroanatomiju i neurofiziologiju, a koja može da pruži određena, testirana predviđanja u vezi sa njenom funkcijom. Jedan put koji sledimo izgleda posebno obećavajući i zasniva se na generativnom modelu - tj ideja da korteks sadrži interni model sveta, kao i da koristi ovaj model da zaključi uzroke čulnih ulaza (npr. predmeti i njihovi preobražaji ). U tom okviru, uloga povratne informacije da nosi predviđanja viših nivoa na niže nivoe kako bi disambiguate reprezentaciju u ranim fazama prerade senzora. Percepcija stoga zavisi od informacija koje cirkulišu kroz kortiko-kortikalne povratne sprege, kako bi se došlo do obostrano doslednog objašnjenja čulnog ulaza.

UCENjE

____________________________________________________________________________________________________________________________________________

Učenje je centralni problem u teorijskoj neuronauci. Moguce je da drugi problemi kao što su razumevanje reprezentacije , mrežne dinamike i automatske funkcije budu na kraju najbolje shvaceni kroz razumevanje procesa učenja koji, zajedno sa akcijom genoma, proizvodi ove fenomene.

Da bi se rešio ovaj problem bice neophodno da kombinuju najbolje ideje iz statističkog mašinskog učenja sa najpametnijim studijama plasticnosti na sinaptički i mrežni nivo. Koristeći presek ova dva oblika znanja u velikoj meri ograničava pretragu prostora. To je neophodno, jer dvadeset godina apstraktne neuronske mrežne teorije su učinili nešto više od, na primer, samo-organizovanje odgovarajućih obrazaca za receptivna polja u oblasti V1 korteksa, koristeći jedan sloj feedforvard mreže `connectionist" neurona, i ansambl prirodnih slika .

Nas napor je fokusiran na nenadzirno učenje pomoću rasprsnutog principa kodiranja i teorije informacija. To je kontraverzno posto je učenje mozgom bez nadzora ili bazirano na jacanju. Iako pojačanje nesumnjivo proizilazi iz subkortikalnih struktura, okvir armaturnog učenja zahteva kodirani hard, ili 'obzirom', nagradni signal koji je spoljasnji u operaciji mreže. Ovo nije slučaj u mozgu smatran celinom.

Deljenjem problema mi smo se fokusirali na pokušaj da se uče invarijantne forme kodiranja iz senzornih stimulusa (i kasnije, nadamo se, sensori motorscenarija ) i pokusavamo da objasnimo zasto promene u nervnim priključnim snagama zavise od relativnog vremena dolazećih i odlazećih šiljaka .

Pošto učenje algoritama sto smo razvili, generalno mnogo podataka algoritma variraju, mi ih takođe koristimo za analizu (ili data-mine ) neurofizioloških snimaka kao na primer, EEG, MEG, fMRI i optičke tehnike snimanja, pomažući neurophisiologistu da ukloni buku i izoluje komponente moždane aktivnosti koje se odnose na čulne, perceptivne i motorne fenomene.

Nepromenljivost

____________________________________________________________________________________________________________________________________________

Naše mentalno iskustvo pokazuje da mozak kodira i manipuliše "objektima" i njihovim odnosima, ali postoji neneuronska teorija o tome kako se to radi. Mi prepoznajemo, na primer, šolju bez obzira na lokaciju, orijentaciju, veličinu, ili druge varijante, kao i promene kao što su osvetljenje i delimično zakrčenje. Kako mreza mozga prepoznaje šolju, uprkos ovim složenim varijacijama i podacima o slici? Kako je invarijantan kodiran deo ('kup-rt') odvojen od varijantog dela?

Ovo se zove invarijantnost To je problem "sveti gral" zajednice Computer Vision, i mi se trudimo da se uhvatimo u koštac učvršćivanjem našeg učenja algoritama sa uvidima iz matematike okolnih koncepata invarijantnosti. Invarijantnost se takođe može videti u motornom scenariju, solja kao klasa stvari iz koje možemo da pijemo (sta J.J.Gibson zove affordance).

Kao što smo uzdigli kortikalnu hijerarhiju iz oblasti V1, pronalazimo rastuce invarijantne forme kodiranja. Nas cilj je da se razumeju ove forme kodiranja i kako one mogu biti naučene iz prirodnih podataka . Skroman uspeh u tom pravcu je da 'kompleksnih' celija receptivnih polja (orijentisani i lokalizovani kontrasti osetljivih neurona koji su invarijantni na prostornu fazu)da se nauče na ovaj način.

Asocijativna memorija

____________________________________________________________________________________________________________________________________________

W. James, F. Hayek I D. O. Hebb predložene teorije memorije i mentalne asocijacije uključuju distribuirane neuronske prezentacije i sinaptičku plastičnost. Neuronska asocijativna sećanja su apstraktne neuronske mreže koje realizuju osnovne mehanizme učenja i pridruživanja kao postulat u Hebovoj teoriji. Mi verujemo da principi asocijativnih sećanja su važni u borbi protiv centralnih problema u teorijskoj neuronauci:
  • Invarijantana senzorna obrada
    Skorasnji model nepromenljive senzorne obrade pokazuje da sećanje na bazi strategije je primenljivo u realnim slikama (MAP tražeći kola Aratorna, 2002.). Mi smo zainteresovani za proučavanje matematičke osnove memorije na modelima nepromenljive senzorne obrade.
  • Formiranje kompozicionog sećanja
    Na modelima saznanja ključno je da koncepti budu kompozicioni i visestruki. Holografska reprezentacije (ploča, 1994, 2001), prskanje kodiranja (Kanerva, 1994) i vektor-simbolička arhitektura (Gailer, 1998) su metode da se formira kompozicione distribuirane reprezentacije. Svi ovi metodi se oslanjaju na kritički asocijativna sećanja. Do sada se postojeće metode ne odmeravaju na realnim problemima. Mi smo zainteresovani u projektovanje modela sa efikasnim retkim asocijativnim sećanjem koje se odmeravaju na realnim problemima.
  • Komunikacija u kortiko-kortikalnoj mreži
    Mozak je organizovan u funkcionalno specijalizovanim oblastima povezanim kortiko-kortikalnom vezom sa malim mrežnim nekretninama. Mi smo zainteresovani za proširenje teorije asocijativne memorije da bi prebrojali moguće funkcionalne mreže u anatomski ograničenim mrežama. Potencijalno, ova analiza će pokazati značajne, uslove kortiko-kortikalne obrade informacija, posebne osobine distribuiranih predstavništava u regionima koji dovode lokalne visoke brojeve mogućih funkcionalnih mreža i time obezbeđuju visoku fleksibilnost u formiranju funkcionalnih mreža
  • Hijerarhijski memorijski modeli
    Konačno, mi smo zainteresovani za projektovanje memorijskh sistema koji kombinuju rezultate oba prethodna studija, koji predstavljaju sastavne memorije koje mogu biti saopštene u strukturiranom neuronu mreža. U takvim mrežama hijerarhije će definisati stepen konvergencije iz različitih modaliteta (regioni sa različitim funkciama specijalizacije).
  • Nenagledano/ nadgledano učenje sećanja (uloga neuromodulatornog sistema)
    U standardnim modelima asocijativne memorije, izbor cuvanja uspomena se radi od spolja, na nadgledan način. Mi smo zainteresovani za modele koji kreiraju kontinuirani ulaz i odluče interno sta od uspomena sacuvati.

Podaci istraženih analiza

____________________________________________________________________________________________________________________________________________

Mozdana tehnika snimanja, kao što su funkcionalne magnetne, EEG,otvoren prozor na makroskopskom procesu u random mozgu. Ove metode daju velike dimenzione skupove podataka koji su organizovani u prostoru (mozdane koordinate) i vremenu. Trenutne metode analiza izvučene interpretirane slike iz podataka, ove metode su daleko od žetve velikog bogatstva izmerenih podataka. Mi smo zainteresovani za razvoj istraživačkih metoda analize za procenu statističke osobine u zajedničkim podacima kombinovanjem snimanih podataka i ponašanja/stimuls podataka.

Jednoćelijske, mreže i biofizički modeli

____________________________________________________________________________________________________________________________________________

Postoje dva pristupa koja mi pratimo fiziološkom stepenu.

Prvi je modeliranje fizioloških procesa. Mi ustanovimo kako nastaju odzivi svojstva neurona, kao što su sinaptičke integracije i receptivna polja, na osnovu eksperimentalnih zapažanja, kao što su biofizička svojstva pojedinačnih neurona, Povezivanje u korteksu i in vivo snimaku. Važan aspekt fiziološkog neuronskog modela je, pored replike podatka, po kom su oni osnovu, da dolaze sa predviđanjima za odgovorima, na primer, da se novim nadraže, koje mogu biti verifikovane ili odbačene u fiziološkim eksperimentima. Na taj način teorija može da pomogne da vodi pravac eksperimenata kako bi stekli bolje razumevanje mozga.

Drugi pristup je da se donese neuralna mreža ideja iz mašinskog učenja do membrane tako da se pojave kao što su Spike-regulisanje vremena uslovljen plastičnosti (najviše Upadljiv pojava u sinaptičke učenja) mogu biti shvaćene kao informacije teoretičara ili probabilistička optimizacija. Velika količina podataka je akumulirala na molekularnom nivou neuronske plastičnosti. Vreme je sazrelo da se integrišu u teorijskom okviru. Ako je ovaj okvir tačan, mi ćemo biti u mogućnosti da samostalno organizujemo mrežu spiking neurona, olakšavajući dalje studije senzornih kodovanja, kola, dinamike i funkcije asocijativnih i senzorno-motorne petlje.

Na Redvud Centru ćemo primeniti teorijske ideje opsega nivoa fizioloških modeliranja, sa jednoceliskog modela adresiranjem nekretnine dendritske sume od sinaptičkih ulaza do velikih mreza modela, gleda na odgovor u primarnom vizuelnom korteksu (V1).

Multiskalne interakcije i oscilacije

____________________________________________________________________________________________________________________________________________

Moždane aktivnosti se mogu opisati na različitim nivoima rezolucije. Neuronski nivo, na kome pojedinačni neuroni predstavljaju osnovne računske jedinice, je najčešći nivo za teorije senzorne percepcije. Međutim, neke teorije plastičnosti i učenja formulisani su na nivou pojedinačnih sinapsa. Dalje, teorije kognitivne funkcije kao što su donošenje odluka i pažnje, rade na nivou populacije neurona.

Oboje, neuron nivo i nivo stanovnišva je direktno dostupna elektro-fiziološka Aktivnost u jednom neuronu može da se snimi sa jednom ili više elektroda. Delatnost pojedinačnih neurona je najbolje opisano kao point procesa u vremenu kojem odgovaraju šiljci pojedinačnih ćelija. Aktivnost populacije mnogih neurona može biti zabeleženo kao lokalni teren potencijala ili kao aktivnost u elektro-Corticogram (ECoG) ili u Elektro-Encephalogram (EEG). Aktivnost populacije je proširena kontinuirano signalom u prostoru i vremenu, a često ima osobine oscilatornih aktivnosti.

Pored studija koje istražuju neuronske aktivnosti na individualnom nivou, važno je da razumete terakciju različitih nivoa. Želimo da razumemo kako spike aktivnost pojedinačnih neurona formira ktivnost populacije i kako zauzvrat aktivnost populacije utiče na odziv svojstva pojedinačnih neurona.

Postoji intrigantna paralela između više ugnežđenih nivoa moždane aktivnosti i multi-skale struktura čulnih podataka. Razumljivo je da su različite strukturne skale u senzornim podatcima obrađuju ne samo na različitim nivoima kortikalne hijerarhije ,ali i na različitim nivoima moždane aktivnosti.

Aktivna percepcija i sensornomotorni krugovi

____________________________________________________________________________________________________________________________________________

Percepcija je aktivan process. Tokom prirodnog vida, na primer, naše oči su stalno kreće, čak i kada samo fiksiramo objekat. Pored toga, aktivni, unutrašnji procesi u mozgu, kao što su pažnja, utiču na procesuiranje senzornih informacija. Dakle, akcije i percepcija utiče čvrsto jedni na druge, što se često naziva sensornomotorni krug.

Ako su percepcija i akcija zajedno, mozak mora da nauči da razlikuje da li promena u čulnom ulazu odražava promenu u spoljnom svetu, ili je rezultat naše akcije. Naši mozgovi su u stanju da izvuku invariances iz senzornih podataka koje odgovaraju objekatima u svetu. Prema teoriji aktivne percepcije, to su invariances u sensormotornom prostoru prije nego u čistom čulnom prostoru. Mi smo zainteresovani za učenje sensorimotorne slučajnosti i kako se koriste tokom aktivne percepcije.




Published (Last edited): 31-10-2012 , source: http://redwood.berkeley.edu/wiki/Mission_and_Research