Neuropsychologia komputerowa

advertisement
Wykład 1
Neuropsychologia komputerowa
Wstęp, organizacja, o czym to będzie
Włodzisław Duch
UMK Toruń
Google: Duch
Mózgi ...
• Najbardziej interesujące i najbardziej
złożone obiekty w znanym
wszechświecie ...
• Jak można zrozumieć działanie
mózgu?
• Na jakim poziomie się do tego zabrać?
Zewnętrzny opis niewiele da.
• Jak można zrozumieć działanie telewizora lub komputera?
Eksperymenty nie mogą kontrolować wszystkich parametrów,
konieczny jest schemat i zrozumienie zasad działania.
Aby się upewnić, że rozumiemy jak działa, trzeba zrobić model.
Modele fizyczne biologicznych układów są trudne ale możliwe!
Komputery ...
Blue Gene z 2048-procesorami do symulacji 1 sek aktywności pierwotnej kory
wzrokowej pokrywającej 9º pola wzrokowego potrzebował 80 min, czyli
działa prawie 5000 razy wolniej ... za wolne?
•
•
Neurogrid, liczący z szybkością kory w analogowy sposób – za 5 lat?
http://www.stanford.edu/group/brainsinsilicon/neurogrid.html
•
Extended analog supercomputer, będzie się nadawał do symulacji NN?
http://info.uwe.ac.uk/news/uwenews/article.asp?item=859&year=2006
•
Komputery kwantowe, w sprzedaży od 2008 roku?
http://www.dwavesys.com/
•
Intel: 80 rdzeni, 1 Teraflop w PC.
Warto zacząć myśleć już teraz jak wykorzystać takie zabawki ...
Jak patrzeć na mózg?
Zależy to od pytań, na które chcemy znaleźć odpowiedź.
Riken Brain Science Institute, Riken, Japonia: trzy obszary badań ochronić, zrozumieć i stworzyć mózg.
Różne obszary, różne pytania, potrzebne są różne odpowiedzi.
Ochrona: psychiatria, farmakologia, zadają pytania podstawowe o
mechanizmy molekularne, rolę różnych substancji chemicznych,
elementarne procesy i ich związek z zachowaniem.
Neurochirurgia: głównie urazy i guzy, ale trzeba trochę rozumieć jak to
wszystko działa by nie uszkodzić istotnych ośrodków.
Psychoterapia, umysłowa gimnastyka, medytacja ...
Psycho-neuro-immunologia: skomplikowane oddziaływania na różnym
poziomie, też pomagają chronić mózgi.
Jak zrozumieć mózg?
Zrozumieć: zredukować do prostszych mechanizmów?
Jakich mechanizmów? Analogii z komputerem? RAM, CPU? Logika?
To marne analogie.
Psychologia: najpierw trzeba opisać zachowanie, poszukuje wyjaśnień
najczęściej na poziomie opisowym, ale jak je zrozumieć?
Redukcjonizm fizyczny: mechanizmy mózgu.
Na wiele pytań można odpowiedzieć tylko z perspektywy ekologicznej i
ewolucyjnej: dlaczego świat jest taki, jaki jest? Bo taki się zrobił ...
Dlaczego kora ma budowę kolumnową i warstwową?
Dlaczego jedzenie bulw ignamu w czasie pory deszczowej stanowi
religijne tabu w Afryce Zachodniej? O dziwo, na to pytanie można
odpowiedzieć na poziomie molekularnym!
Stworzyć: co trzeba wiedzieć by stworzyć sztuczny mózg?
Od molekuł ...
10-10 m, poziom molekularny: kanały jonowe, synapsy, własności
błon komórkowych, biofizyka, neurochemia, psychofarmakologia;
umysł z perspektywy molekuł (Ira Black, 1994)?
10-6 m, pojedyncze neurony: neurochemia, biofizyka, LTP, LTD,
neurofizjologia, neuronauki obliczeniowe (CS), modele neuronów,
detektory specyficznej aktywności, emergencja.
10-4 m, małe sieci: synchronizacja aktywności neuronów, rekurencja,
neurodynamika, układy wielostabilne, generatory wzorców, zwoje
neuronów, efekty pamięci, zachowania chaotyczne (semi-liquid
state), „kod neuronowy” (kodowanie informacji); neurofizjologia ...
10-3 m, funkcjonalne grupy neuronów: kolumny korowe (104-105),
synchronizacja grup, kodowanie populacyjne, mikroobwody,
Local Field Potentials, zapisy wieloelektrodowe, neurodynamika
wielkiej skali, neuroanatomia i neurofizjologia.
… do zachowania
10-2 m, sieci mezoskopowe: mapy czuciowo-ruchowe, kodowanie
populacyjne, samoorganizacja, teorie pola średniego, teorie
ośrodków ciągłych, EEG, MEG, metody obrazowania PET/fMRI ...
10-1 m, pola transkorowe, obszary funkcjonalne mózgu: uproszczone
modele kory, struktury podkorowe, działania sensomotoryczne,
integracja funkcji, wyższe czynności psychiczne, pamięć robocza,
świadomość; (neuro)psychologia, psychiatria komputerowa ...
Zjawiska poznawcze
Zasady oddziaływań
Mechanizmy
neurobiologiczne
Poziomy opisu
Podsumowanie (Churchland, Sejnowski 1988)
Poziom systemowy
… do umysłu
Teraz zdarza się cud ...
1 m, CUN, cały mózg i organizm:
powstaje świat wewnętrzny, zachowania intencjonalne,
działania celowe, myślenie, język, wszystko co bada psychologia
behawioralna ...
Przybliżenia modeli neuronowych:
Finite State Automata, czyli aproksymacje symboliczne zmiany stanów,
reguły zachowania, modele oparte na wiedzy mechanizmów
poznawczych w sztucznej inteligencji.
Gdzie podziała się psyche, perspektywa wewnętrzna?
Lost in translation: sieci => automaty skończone => zachowanie
Alternatywa: przestrzenie psychologiczne => zdarzenia mentalne.
Podejście neurokognitywne
Computational cognitive neuroscience: szczegółowe modele funkcji
poznawczych i neuronów, pierwsza doroczna konferencja 11/2005.
Informatyka neurokognitywna: uproszczone modele wyższych czynności
poznawczych, myślenia, rozwiązywania problemów, uwagi, języka,
kontroli zachowania i świadomości.
Wiele spekulacji, ponieważ nie znamy szczegółów procesów
zachodzących w mózgu, ale modele jakościowe wyjaśniające rezultaty
eksperymentów psychofizycznych oraz przyczyny chorób psychicznych i
zespołów neuropsychologicznych rozwijają się szybko od ~ 1995 r.
Nawet proste mózgo-podobne przetwarzanie informacji daje rezultaty
podobne do prawdziwych; złożoność mózgu nie jest głównym problemem!
Brain As Complex System (BRACS, EU Project) centralne założenie:
najważniejsza jest ogólna neuroanatomiczna struktura kory i obszarów
podkorowych mózgu, należy ją w modelach zachować.
“Roadmap to human level intelligence” – workshopy ICANN’05, WCCI’06
Model transformacji
Przetwarzanie informacji, pomijane sprzężenia zwrotne: redukcja ilości
informacji (kategoryzacja), działania senso-motoryczne.
~ p(MI|X) 0.7 Myocardial Infarction
Output
weights
Input
weights
Inputs:
-1
65
Sex
Age
1
5
3
1
Smoking Pain
Elevation
Pain
Intensity Duration ECG: ST
Model samoorganizacji
Topograficzne reprezentacje w licznych obszarach mózgu:
bodźców czuciowych, w korze ruchowej i móżdżku, wielomodalne mapy
orientacji w wzgórkach czworaczych górnych, mapy w układzie
wzrokowym i tonotopiczne mapy kory słuchowej.
Najprostszy model
(Kohonen 1981):
konkurencja między
grupami neuronów i
lokalna kooperacja.
Neurony reagują na
sygnały dostrajając
swoje parametry tak, by
wszystkie bodźce były
analizowane i by bodźce
do siebie podobne
analizowane były przez
sąsiednie neurony.
o
x=dane
o=pozycje wag
neuronów
x
o
o
o
o x
o
o
x
o
xo
N-wymiarowa
przestrzeń danych
o
o
o
wagi wskazują
na punkty w N-D
siatka neuronów
w 2-D
Model dynamiczny
Silne sprzężenia zwrotne, stany kolektywne, neurodynamika.
Najprostszy model (Hopfield 1982): pamięć skojarzeniowa, uczenie w
oparciu o regułę Hebba, dynamika synchroniczna, neurony dwustanowe.
Wektor potencjałów wejściowych
V(0)=Vini , czyli wejście = wyjście.
Dynamika (iteracje) 
sieć Hopfielda osiąga stany stacjonarne,
czyli odpowiedzi sieci (wektory aktywacji
elementów) na zadane pytanie Vini
(autoasocjacja).
Jeśli połączenia są symetryczne to taka
sieć dąży do stanu stacjonarnego
(atraktor punktowy).

t = dyskretny czas.
Vi  t  1  sgn I i  t  1  sgn 



j WijV j -  j 


Model biofizyczny
Synapses
Soma
I syn (t )
Spike
EPSP, IPSP
Rsyn
Spike
C syn
Cm
Rm
s AMPA
(t )
d AMPA
j
s j (t )     (t - t kj )
dt
 AMPA
k
, ext
I AMPA, ext (t )  g AMPA, ext (Vi (t ) - VE ) wij s AMPA
(t )
j
s NMDA
(t )
d NMDA
j
s j (t )    x j (t )(1 - s NMDA
(t ))
j
dt
 NMDA, decay
j
, rec
I AMPA, rec (t )  g AMPA, rec (Vi (t ) - VE ) wij s AMPA
(t )
j
j
I NMDA, rec (t ) 
g NMDA, rec (Vi (t ) - VE )
2
(1  [ Mg ]exp(-0.062Vi (t ) /3.57))
, rec
I GABA, rec (t )  gGABA, rec (Vi (t ) - VE ) wij s GABA
(t )
j
j
NMDA, rec
w
s
 ij j (t )
j
x NMDA
(t )
d NMDA
j
x j (t )     (t - t kj )
dt
 NMDA, rise k
s GABA
(t )
d GABA
j
s j (t )     (t - t kj )
dt
 GABA
k
Zjawiska psychologiczne
Percepcja wzrokowa: oglądając naturalne obrazy
należy zrozumieć sposoby kodowania obiektów i scen,
efekty związane z przypominaniem.
Uwaga przestrzenna: uwzględnienie interakcji pomiędzy
różnymi strumieniami informacji wzrokowej pozwoli
symulować skupianie uwagi na różnych obszarach przestrzeni u osób
zdrowych i z uszkodzeniami mózgu.
Pamięć: modelowanie struktur hipokampa pozwala na zrozumienie
różnych aspektów pamięci epizodycznej, a mechanizmy uczenia pokazują
jak dochodzi do powstawania pamięci semantycznej.
Pamięć robocza: wyjaśnienie zdolności do jednoczesnego utrzymywania
w umyśle kilku liczb w czasie mnożenia wielocyfrowych liczb wymaga
dość uwzględnienia specyficznych mechanizmów biologicznych w modelu
neuronowym.
zjawiska cd ...
Czytanie słów: siec będzie się uczyć czytania i wymowy angielskich słów
a następnie uogólniać swoją wiedze na wymowę nowych słów oraz
odtwarzać pewne formy dysleksji.
Reprezentacje semantyczne: analizując tekst na podstawie kontekstu
występowania poszczególnych słów sieć nauczy się semantyki wielu pojęć.
Podejmowanie decyzji i wykonywanie zadań:
model kory przedczołowej potrafi utrzymywać
uwagę na wykonywanych zadaniach pomimo
czynników przeszkadzających.
Pominiemy rozwój reprezentacji kory ruchowej
i somatosensorycznej przez samoorganizację;
są tu bardzo szczegółowe modele neuronowe
uwzględniające różne typy neuronów,
neurotransmiterów itd, do analizy zjawiska
kończyn fantomatycznych.
Zalety modelowych symulacji
Modele pomagają zrozumieć zjawiska:
• myślenie opiera się często na analogiach do jakiegoś modelu
• umożliwiają nowe inspiracje, wgląd w problem
• pozwalają na symulację efektów uszkodzeń i wpływu różnych
zaburzeń (leków, zatruć).
• pomagają zrozumieć szczegóły zachowania i specyficznych funkcji
• modele można formułować na różnych poziomach złożoności,
znacznie lepiej niż argumenty werbalne
• modeli zjawisk zachodzących w ciągły sposób (np ruchu czy percepcji)
nie da się zredukować do werbalnego opisu
• modele umożliwiają szczegółową kontrolę warunków eksperymentu i
dokładną analizę wyników
Modele wymagają dokładnej specyfikacji, unaocznienia założeń
• pozwalają na nowe przewidywania
• dokonują dekonstrukcji koncepcji psychologicznych (pamięć robocza?)
• pozwalają zrozumieć złożoność problemu
• dostarczają jednolitego, spójnego schematu postępowania
Wady symulacji
• Modele są zwykle za proste, powinny obejmować wiele poziomów.
• Modele mogą być zbyt złożone, czasami teoria pozwala na prostsze
wyjaśnienia (czemu na równiku nie ma huraganów?).
• Nie zawsze wiadomo co należy uwzględnić w modelowaniu.
• Modele mogą wyjaśnić wszystko (jak i psychoanalitycy ...):
nawet jeśli działają to jeszcze nie znaczy, że rozumiemy mechanizmy,
duża liczba parametrów w sieciach neuronowych pozwala na realizację
zachowań całkowicie niemożliwych; wiele alternatywnych choć całkiem
różnych modeli może wyjaśnić to samo zjawisko.
Ważne są ogólne zasady, parametry są ograniczone przez neurobiologię
na różnym poziomie, im więcej zjawisk model tłumaczy tym jest bardziej
prawdopodobny i uniwersalny.
• Modele są zbyt redukcjonistyczne – dlatego rekonstrukcjonizm, czyli
uwzględnianie oddziaływań i emergencja, jest tak ważny.
• Wiedza zdobywana dzięki modelom nie ulega kumulacji – tak istotnie
było na początku ale teraz mamy coraz lepsze klocki ...
Podręczniki
• Randall C. O'Reilly, Yuko Munakata, Computational Explorations in
Cognitive Neuroscience Understanding the Mind by Simulating the Brain.
Cambridge, MA: MIT Press 2000.
Symulator Emergent opisany w tej książce pozwala na robienie dość
złożonych eksperymentów psychologicznych.
• Chris Eliasmith, Charles H. Anderson, Neural Engineering: Computation,
representation and dynamics in neurobiological systems. MIT Press 2004
Symulator Nengo jest również bardzo interesujący chociaż na razie
niewiele w nim jest modeli funkcji poznawczych (2011).
• David Sterratt, Bruce Graham, Andrew Gillies, David Willshaw, Principles
of Computational Modelling in Neuroscience, CUP 2011.
Szczegółówe meodele neuronów, ale niewiele o sieciach i funkcach
poznawczych.
Download