Opis projektu
Ramy matematyczne dla sieci pamięci roboczej
Ludzka pamięć to rozbudowany proces umysłowy, składający się z kilku modułów odpowiedzialnych za przetwarzanie, uczenie się i przypominanie odebranych bodźców. Pamięć robocza przechowuje i przetwarza tymczasowe informacje, niezbędne do wykonywania zadań poznawczych. Zrozumienie funkcjonowania ludzkiej pamięci ma kluczowe znaczenie dla zrozumienia jej roli w zdrowiu poznawczym i wykorzystaniu w rozwoju sztucznej inteligencji (SI), na przykład głębokich sieci neuronowych, przy czym nadal nie wiadomo, w jakim stopniu można polegać na wynikach pracy tych sieci, gdy pojawiają się zaburzenia na wejściu danych. Finansowany ze środków UE projekt ReWoMeN ma przyczynić się do opracowania połączonych ram matematycznych opartych na modelach oraz danych, które pozwolą zrozumieć dynamikę przywracania sieci ludzkiej pamięci roboczej (ReWoMeN) w celu przygotowania trwałych podstaw dla tworzenia głębokich sieci neuronowych i umożliwienia mechanistycznego zrozumienia koncepcji ludzkiej pamięci roboczej.
Cel
Memory and learning are human central cognitive abilities. The importance of understanding human memory functioning is evident from its central role in our cognitive health as well as its role as the main inspiration behind developments in artificial intelligence, in particular artificial deep neural networks (DNN). Despite considerable progress in the recent years in the area of DNNs, robustness of these networks is an important open issue. In particular, noise robustness, i.e. DNNs are fragile in maintaining the correct predictions if their input is perturbed. In contrast, a healthy human’s memory system maintains performance despite perturbed inputs. This motivates us to learn from the biological neuronal networks of human memory for a more robust DNN. The human memory is composed of several modules responsible for processing, learning, and recalling the received information. Among the memory modules is the working memory (WM) which is responsible for holding and processing information in a temporary fashion and in service of higher order cognitive tasks, e.g. decision making. The short-term nature of the WM makes it a great example for designing dynamic DNNs, which are useful in safety critical applications in uncertain environments. The aim of this proposal is to build a combined model-based and data-driven mathematical framework for understanding Recall dynamics of human Working Memory Networks (ReWoMeN) for realization of a robust DNN as well as contributing to the mechanistic understanding of the human WM. ReWoMeN address three main challenges including derivation of a biologically plausible system-level model to account for the measured data of human experience of WM recalling, analysis of such a complex model for explaining and predicting WM behavior, and comparing the robustness of our WM model with a recurrent DNN in an image recognition application.
Dziedzina nauki
Słowa kluczowe
Program(-y)
Temat(-y)
System finansowania
MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)Koordynator
2628 CN Delft
Niderlandy