Opis projektu
Rozszyfrowanie zagadki obliczeń w mózgu
Wiemy, że mózg wykonuje złożone obliczenia, ale nadal nie do końca rozumiemy, w jaki sposób rozproszone sieci neuronowe współpracują ze sobą, aby to osiągnąć. Kluczowym celem finansowanego przez ERBN projektu NEURO-FUSE jest określenie udziału poszczególnych neuronów w szerszych, rozproszonych procesach poznawczych w kilku regionach mózgu. Hipoteza robocza zakłada, że globalna dynamika mózgu wpada w różne stany atraktorowe podczas zadań, tworząc niezmienne reprezentacje niezależne od konkretnych neuronów. Wnioskując na podstawie tych niezmienników, projekt zrekonstruuje aktywność całego mózgu na podstawie lokalnych pomiarów u myszy i makaków. Uczenie maszynowe pomoże ujawnić rozproszone procesy poznawcze, aby przezwyciężyć lokalne ograniczenia próbkowania w neuronauce.
Cel
Understanding how the coordinated activity of neurons in multiple brain regions achieves robust behaviour is one of the most fundamental questions in neuroscience. Although recent single-cell technologies enable addressing this question by recording from large neural populations, they are limited to surveying focal brain regions and superficial cortical layers. Without an analytical framework to jointly model isolated measurements, we cannot hope to understand and quantitatively model how single-neuron dynamics give rise to distributed computations. I hypothesise that global brain dynamics fall on distinct attractor states during a given stimulus or task. Attractors naturally give rise to invariant representations, dynamical motifs independent of the sampled neurons’ identity. Inferring these invariances would allow reconstructing activity in extended regions from incomplete local recordings to reveal brain-wide cognitive processes. Further, composing invariances would provide insights into the neural correlates of generalisation, with a broad impact on neuroscience and machine learning. I propose a novel mathematical theory combining abstract combinatorial dynamical systems theory and modern machine learning to infer and compose invariant latent dynamics across measurements. We will use this theory to unify large-scale cell-resolution recordings of the mouse and macaque cortex into a common model to make cell-specific predictions across several brain regions. Our results could fundamentally challenge our view on distributed cognitive computations by revealing moment-by-moment single-neuron dynamics in spatially distributed neurons. Further, my theory will help understand how the brain generalises knowledge across tasks by composing and repurposing invariances. More broadly, my theory will open new avenues for machine learning and neuroscience to interact through sharing and shaping the dynamical processes that underpin neural computations in vivo and in silico.
Dziedzina nauki (EuroSciVoc)
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Aby użyć tej funkcji, musisz się zalogować lub zarejestrować
Słowa kluczowe
Program(-y)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Temat(-y)
System finansowania
HORIZON-ERC - HORIZON ERC GrantsInstytucja przyjmująca
1090 Wien
Austria