Mission und Forschung

Original: http://rctn.org/wiki/Mission_and_Research

Theoretische Neurowissenschaften: eine Teildisziplin innerhalb der Neurowissenschaften, die mathematische und physikalische Prinzipien zu verwenden, um die Art der Codierung, Dynamik, Schaltung und Plastizität im Nervensystem zu verstehen versucht.

Es wird oft gesagt, dass “Neurowissenschaften ist datenintensive noch theorie schlecht.” Unser Ziel ist es nützlich, Algorithmen und theoretische Ideen, die Neurowissenschaften in Auftrag zu liefern
neue Formen der Analyse für neuronale Daten (Pulszüge, EEG, MRI) zu schaffen,
Theorien und spezifische Modelle, die vielfältigen Beobachtungen legen nahe, zu integrieren und neue experimentelle Ansätze bieten.
Spezifische Themen und Phänomene, die wir daran interessiert sind, schließen hierarchische Organisation und Feedback, Plastizität, Mechanismen des Gedächtnisses, die Rollen von Spike-Timing und Schwingungen, spärlich Codierung, die Berechnung der thalamo-kortikalen System und des kortikalen Mikroschaltkreis, und die Verbindung zwischen Systemen -, cellular- und molekularer Ebene Neurowissenschaften.
Methodisch setzen wir Ideen aus der Codierungstheorie und Wahrscheinlichkeits maschinelles Lernen soweit sie sich auf bekannte neuronale Phänomene und Mechanismen in Netzwerke, Zellen und Moleküle beziehen.
Hier bieten wir Ihnen einige kurze Beschreibungen von einigen der Hauptforschungsthemen des Redwood Center:

Hierarchische Organisation, Feedback und generative Modelle

Sensorischen Kortex scheint in einer hierarchischen Weise angeordnet sein, wobei Informationen von Low-Level-Bereiche, die eng miteinander verbunden sind, um sensorischen Input zu richten, an übergeordnete Bereiche, die mehr zu anderen kortikalen Arealen gebunden sind, im Gegensatz zu sensorischen Input fließt. Neuronen an untergeordneten Bereiche sind in der Regel kleine rezeptive Felder (in Bezug auf den Bereich der Sinnesepithel sie integrieren über) haben werden, um lokalisierte Merkmale sensorischen Input abgestimmt und so sind in der Regel schnell schwanken in ihrer Aktivität als Reaktion auf zeit- unterschiedlichen sensorischen Input. Im Gegensatz dazu Neuronen bei höherer Ebenen haben große rezeptive Felder, werden in mehr global, abstrakten Eigenschaften der Sinnenwelt (wie zB Objektidentität) abgestimmt ist, und sind somit invariant gegenüber Schwankungen in der rohen sensorischen Input. Allerdings ist die Frage, was Berechnungen zugrunde liegen, diese Transformation, und was genau in den verschiedenen Stadien der Hierarchie dargestellt – vor allem übergeordnete Bereiche -, bleibt ein Rätsel.
Eine andere Eigenschaft der ubiquitären kortikalen Organisation ist das Vorhandensein von Rückkopplungsverbindungen zwischen den Ebenen der Hierarchie. Das heißt, wenn einem unteren Bereich A Projekte zu höheren Bereich B, dann Bereich B-Projekte in der Regel zurück zu A. Doch welche Rolle diese Rückkopplungsverbindungen in der Informationsverarbeitung zu spielen, und wie sie sich auf die Wahrnehmung beitragen, ist nicht gut verstanden.
Unser Ziel ist, einen theoretischen Rahmen für die hierarchische Organisation und Rückmeldungen, die berücksichtigt, die bekannte Neuroanatomie und Neurophysiologie zu formulieren, und die spezifische, überprüfbare Vorhersagen in Bezug auf ihre Funktion zur Verfügung stellen kann. Ein Weg verfolgen wir, dass besonders vielversprechend scheint, ist basierend auf generative Modelle – dh die Idee, dass die Rinde enthält eine interne Modell der Welt, und es nutzt dieses Modell, um die Ursachen der sensorischen Input (zB Objekte und deren Transformationen folgern ). In diesem Rahmen ist die Rolle der Rückmeldung an den Vorhersagen der höheren auf ein niedrigeres Niveau durchzuführen, um Darstellungen in frühen Stadien der sensorischen Verarbeitung eindeutig zu machen, um. Wahrnehmung hängt also von Informationen zirkuliert durch kortiko-kortikalen Rückkopplungsschleifen, um zu einer für beide Seiten konsistente Erklärung der sensorischen Input zu gelangen.
Lernen

Learning ist wohl das zentrale Problem in der theoretischen Neurowissenschaften. Es ist möglich, dass andere Probleme, wie das Verständnis der Darstellungen, Netzwerk-Dynamik und die Schaltungsfunktion kann letztlich am besten durch das Verständnis der Lernprozesse, die, zusammen mit der Wirkung des Genoms zu erzeugen, diese Phänomene zu verstehen.
Um das Problem zu lösen, wird es notwendig sein, um die besten Ideen aus statistischen maschinellen Lernens mit den klügsten Plastizität Studium an der synaptischen und Netzwerkebene zu verbinden. Unter Verwendung der Schnittpunkt dieser beiden Formen des Wissens stark beschränkt den Suchraum. Dies ist notwendig, da zwanzig Jahre abstract neuronalen Netztheorie haben wenig getan, beispielsweise selbstorganisierenden die richtigen Formen für rezeptiven Feldern Bereich V1 des Cortex, unter Verwendung einer einzigen Schicht Feedforward-Netz von `connectionist ‘Neuronen und ein Ensemble natürlicher Bilder.
Unsere Bemühungen haben sich auf unüberwachten Lernen fokussiert mit spärlich Codierungsgrundsätze und der Informationstheorie. Es ist umstritten, ob das Lernen im Gehirn ist ohne Aufsicht oder Verstärkungsbasis. Obwohl Verstärkungs fließt unbestreitbar aus subkortikalen Strukturen der Rahmen aus Verstärkungs Lernen erfordert eine hartcodierte oder “gegeben”, Belohnungssignal, die nicht dem Betrieb des Netzes ist. Dies ist nicht im Gehirn als Ganzes der Fall ist.
Breaking the Lernproblem nach unten, wir sind auf dem Versuch, unveränderliche Formen der Kodierung von Sinnesreizen lernen (und später, hoffen wir, sensomotorische Szenarien) und an einem Versuch mit Schwerpunkt zu erklären, warum Veränderungen in neuronalen Verbindungsstärken hängen von den relativen Zeit eingehender und ausgehenden Spikes.
Da die Lernalgorithmen entwickeln wir sind die allgemeinen multivariaten Datenanalyse-Algorithmen, die wir verwenden auch sie zu analysieren (oder Daten-Mine) neurophysiologische Aufnahmen von zB EEG, MEG, fMRI und optische Bildgebungsverfahren und hilft Neurophysiologen, um Rauschen zu entfernen und zu isolieren Komponenten der Hirnaktivität relevanten sensorischen, Wahrnehmungs- und Bewegungserscheinungen.
Invarianz

Unsere geistige Erfahrung zeigt, dass das Gehirn kodiert und manipuliert “Objekte” und ihre Beziehungen, aber es gibt keine neuronalen Theorie, wie das gemacht wird. Wir erkennen an, zum Beispiel eine Tasse unabhängig von ihrer Position, Orientierung, Größe oder andere Variationen wie Beleuchtung und teilweise Verstopfung. Wie Gehirnnetzwerken erkennen eine Tasse trotz dieser komplizierten Variationen in den Bilddaten? Wie wird die invariant Teil (“cup-ness ‘) getrennt von der Variantenteil codiert?
Dies nennt man die Invarianz Problem. Es ist ein “heiliger Gral” Problem der Computer Vision Gemeinschaft, und wir wollen es durch Anreicherung unserer Lernalgorithmen mit Erkenntnissen aus der Mathematik rund um das Konzept der Invarianz anzugehen. Invarianz kann auch in Kraft Szenarien sehen, Tassen, ein Klasse von Dingen, die wir aus (was JJGibson genannt affordance) trinken.
Als wir die kortikalen Hierarchie von Bereich V1 aufsteigen, so finden wir immer invariant Formen der Codierung. Es ist unser Ziel, diese Formen der Kodierung zu verstehen und wie sie können aus natürlichen Daten gelernt werden. Eine bescheidene Erfolge in dieser Richtung ist, dass “komplexe Zell ‘rezeptiven Felder (orientierte und lokalisierte Gegensatz empfindlichen Neuronen, die invariant räumlichen Phase sind) können auf diese Weise erlernt werden.
Assoziativspeicher

W. James, F. Hayek und DO Hebb vorgeschlagenen Theorien des Gedächtnisses und der geistigen Assoziierung mit verteilten neuronalen Repräsentationen und synaptische Plastizität. Neuronale assoziative Speicher sind abstrakte neuronale Netze, die die grundlegenden Mechanismen des Lernens und der Verband Gerät nach Hebb Theorie postuliert. Wir glauben, dass Prinzipien der assoziativen Erinnerungen sind bei der Bewältigung zentraler Probleme in theoretischen Neurowissenschaften von Bedeutung:
Invariant sensorischen Verarbeitung
Eine aktuelle Modell der invariant sensorischen Verarbeitung zeigt, dass eine speicherbasierte Strategie ist die reale Bilder (Karte suchen Schaltungen. Arathorn, 2002) erhoben. Wir interessieren uns für das Studium der mathematischen Grundlagen der speicherbasierten Modelle invariant sensorischen Verarbeitung.
Bildung kompositorischen Erinnerungen
Bei den Modellen der Erkenntnis ist es entscheidend, dass Konzepte kompositorischen und facettenreich sein. Holographische Darstellungen (Tafel; 1994 2001), Spritzer Codierung (Kanerva; 1994) und Vektor-symbolische Architekturen (Gayler; 1998) sind Methoden, um kompositorische verteilten Repräsentationen zu bilden. Alle diese Verfahren beruhen kritisch assoziative Speicher. Bisher haben die bestehenden Verfahren nicht skaliert bis zu Problemen der realen Welt. Wir interessieren uns für die Gestaltung Modelle mit effizienten spärlich assoziative Speicher, die bis zu skalieren, um der realen Welt-Domänen.
Communication in kortiko-kortikale Netzwerke
Das Gehirn ist in funktional spezialisierten Regionen durch ein kortiko-kortikalen Verbindungen mit kleinen Netzwerkeigenschaften (Strogatz) verbunden organisiert. Wir interessieren uns für die Verlängerung der Theorie des assoziativen Speichers, um die Anzahl der möglichen funktionalen Netzwerke in anatomisch eingeschränkt Netze zählen. Möglicherweise wird diese Analyse wichtig Bedingungen kortiko-kortikale Informationsverarbeitung, insbesondere die Eigenschaften der verteilten Darstellungen in lokalen Regionen, die hohe Zahl der möglichen funktionalen Netzwerke ergeben enthüllen und somit eine hohe Flexibilität bei der Bildung von funktionellen Netzwerken.
Hierarchische Speichermodelle
Letztlich interessiert Gestaltung Speichersysteme, die die Ergebnisse der beiden vorangegangenen Studien kombinieren wir sind, das heißt, kompositorische Speicher Darstellungen, die in einem strukturierten neuronalen Netzwerk kommuniziert werden können. In solchen Netzwerken Hierarchien durch den Grad der Konvergenz von verschiedenen Modalitäten (Bereiche mit unterschiedlichen funktionalen Spezialisierung) definiert werden.
Unbeaufsichtigt / wachtes Lernen von Speichern (Rolle der Neuromodulator-Systemen)
In Standard-Modelle von assoziativen Speicher, wird die Auswahl von Speichern gespeichert werden extern erfolgen, in einem überwachten Mode. Wir interessieren uns für Modelle, die kontinuierliche Eingabebildschirm und entscheiden, welche intern Erinnerungen zu speichern.
Explorativen Datenanalyse

Bildgebenden Verfahren, wie beispielsweise funktionellen MRT, EEG, offenen Fenstern auf makroskopische Prozesse im Gehirn funktioniert. Diese Verfahren ergeben eine hohe Dimensionsdatensätzen, die im Raum (Gehirn-Koordinaten) und Zeit organisiert werden. Die aktuellen Analyseverfahren zu extrahieren interpretierbare Bilder von den Daten aber diese Methoden sind weit von der Ernte der vollen Reichtum der Messdaten. Wir interessieren uns bei der Entwicklung von Methoden zur explorativen Analyse der statistischen Eigenschaften in der gemeinsamen Datensatzes die Kombination von Bilddaten und das Verhalten / Konjunkturdaten zu bewerten.
Einzelzell, Netzwerk und biophysikalische Modelle

Es gibt zwei Ansätze sind wir auf der physiologischen Ebene folgt.
Die erste ist die Modellierung von physiologischen Prozessen. Wir wenden, wie die Reaktionseigenschaften der Neuronen, wie synaptische Integration und rezeptiven Feldern, entstehen auf experimentellen Beobachtungen wie die biophysikalischen Eigenschaften von einzelnen Neuronen Konnektivität in der Rinde und in vivo-Aufnahmen. Ein wichtiger Aspekt der physiologischen neuronalen Modell ist neben Replizieren der Daten auf der sie basiert, um Vorhersagen für die Reaktionen, beispielsweise kommen neuartige Stimuli, die überprüft werden können, oder in physiologischen Experimenten abgelehnt. Auf diese Weise Theorie kann helfen, die Richtung der Experimente führen zu einem besseren Verständnis des Gehirns zu gewinnen.
Der zweite Ansatz ist, um neuronale Netz Ideen von maschinellen Lernens auf der Membran Niveau zu bringen, so dass Phänomene wie Spike-Timing-Dependent Plasticity (der auffälligste Erscheinung in synaptischen Lernens) als informationstheoretischen oder probabilistischen Optimierungen zu verstehen. Eine enorme Menge an Daten über die molekularen Grundlagen der neuronalen Plastizität angesammelt. Die Zeit ist reif, um es in einem theoretischen Rahmen zu integrieren. Wenn diese Rahmenbedingungen richtig ist, werden wir in der Lage, sich selbst zu organisieren Netzwerke von spiking Neuronen, die Erleichterung weiterer Studien der sensorischen Kodierung, Schaltung Dynamik und Funktion von assoziativen und sensomotorischen Schleifen.
An der Redwood-Center wenden wir theoretischen Ideen in einem Bereich von Niveaus der physiologischen Modellierung von Einzelzellmodelle Adressierung Eigenschaften von dendritischen Summierung der synaptischen Eingang zum großen Netzwerk-Modelle Blick auf Reaktionen im primären visuellen Kortex (V1).
Multiskalen-Interaktionen und Schwingungen

Gehirntätigkeit kann auf verschiedenen Ebenen der Auflösung beschrieben. Das Neuron-Ebene, auf der einzelnen Neuronen bilden die Grundrecheneinheiten, ist die häufigste Niveau für Theorien der Sinneswahrnehmung. Allerdings sind einige Theorien der Plastizität und Lernen auf der Ebene einzelner Synapsen formuliert. Ferner Theorien der kognitiven Funktionen, wie die Entscheidungsfindung und Aufmerksamkeit arbeiten auf der Ebene der Neuronenpopulationen.
Sowohl die Neuronenebene und der Ebene der Bevölkerung sind direkt zugänglich Messungen elektrophysiologischen. Die Aktivität in einzelnen Neuronen können mit einem oder mehreren Elektroden aufgezeichnet werden. Die Aktivität einzelner Neurone ist am besten als Punktprozesse in der Zeit, die zu den Spitzen von einzelnen Zellen entsprechen, beschrieben. Die Bevölkerung Aktivität vieler Neuronen kann als lokaler Feldpotentiale oder als Aktivität in der Electro-(ECoG) oder im Elektroenzephalogramm (EEG) aufgezeichnet werden. Die Bevölkerung Aktivität ist ein Dauersignal in Raum und Zeit verlängert und hat oft Schwingungseigenschaften.
Neben Studien, die neuronale Aktivität auf individueller Ebene zu untersuchen, ist es wichtig zu verstehen, wie verschiedene Ebenen interagieren: Wir möchten verstehen, wie Spike-Aktivität einzelner Neuronen Bevölkerung Tätigkeit bildet, und wie wiederum die Bevölkerung Aktivität beeinflusst die Reaktion Eigenschaften einzelnen Neuronen.
Es ist eine faszinierende Parallele zwischen mehreren verschachtelten Ebenen der Hirnaktivität und der Multiskalenstruktur der Sinnesdaten. Es ist denkbar, dass verschiedene strukturelle Skalen in sensorischen Daten nicht nur auf den verschiedenen Ebenen des kortikalen Hierarchie, sondern auch auf verschiedenen Ebenen der Gehirnaktivität verarbeitet werden.
Aktive Wahrnehmung und sensomotorische Schleifen

Wahrnehmung ist ein aktiver Prozess. Während natürliche Vision, zum Beispiel, unsere Augen sind ständig in Bewegung, auch wenn wir ein Objekt fixieren. Zusätzlich aktiv ist, die internen Prozesse im Gehirn, wie Aufmerksamkeit, Einfluss auf die Verarbeitung von Sinnesinformationen. So Handlung und Wahrnehmung beeinflussen sich gegenseitig fest, was oft der sensomotorischen Schleife aufgerufen wird.
Wenn die Wahrnehmung und Wirkung sind gekoppelt werden, muss das Gehirn lernen zu unterscheiden, ob eine Änderung in einer sensorischen spiegelt eine Änderung in der Außenwelt oder ein Ergebnis unserer eigenen Aktion. Unsere Gehirne sind in der Lage, Invarianzen aus Sinnesdaten, die auf Objekte in der Welt entsprechen, zu extrahieren. Unter einer Theorie der aktiven Wahrnehmung sind diese Invarianzen in sensomotorischen Raum und nicht in reiner Sinnesraum. Wir interessieren uns für das Lernen der sensomotorischen Eventualitäten und wie sie während der aktiven Wahrnehmung eingesetzt.