Linking self-supervised learning to cortical circuits for uncertainty processing

Projektbeschreibung

Rolle kortikaler Schaltkreise in Bezug auf Gehirnmodell-Unsicherheit verstehen

Das Gehirn modelliert die Welt, indem es zuverlässige Sinnesinformationen und Vorhersagen priorisiert, was insbesondere unter Unsicherheit gilt. Die existierenden Modelle sind jedoch zu simpel, um diese Theorien auf effektive Weis mit neuronalen Mechanismen verknüpfen zu können. Das Team des innerhalb der Marie-Skłodowska-Curie-Maßnahmen unterstützten Projekts CIRCUIT-LINK untersucht, wie das Gehirn das Problem der dynamischen Gewichtung mithilfe eines theoretischen und datengestützten Ansatzes angeht. Dabei wird ein Rahmenwerk entwickelt, das bayessche Modellierung und selbstüberwachtes Deep Learning kombiniert, um Faktoren zu ermitteln, die die dynamische Gewichtung in verschiedenen Umgebungen beeinflussen. Im Rahmen des Projekts werden außerdem neuronale Reaktionen von Mäusen auf Reize gemessen, die mit Unsicherheit verbunden sind. Die Erkenntnisse werden unser Verständnis davon erweitern, wie kortikale Schaltkreise dem Gehirn helfen, Unsicherheit zu modellieren, was eine entscheidende kognitive Fähigkeit ist.

Ziel

The brain has the remarkable ability to maintain a robust model of the world even when sensory data is ambiguous and noisy. To achieve this, it dynamically prioritizes sensory observations or internal predictions depending on their reliability. When observations are unreliable, e.g. in low visibility conditions, they are weighted less compared to predictions, and vice versa. While previous studies have proposed intriguing hypotheses on how neural circuits could solve this dynamic weighting problem, a clear and empirically testable connection between theory and neural mechanisms is still missing. The main reason is that current theories are highly simplified, and are not able to quantitatively predict responses of a sensory system that is adapted to a highly complex environment.

This project will investigate how the brain solves the dynamic weighting problem via a theory- and data-driven approach. I will develop a theoretical framework that enables solving the problem in realistic scenarios, by combining rigorous and interpretable Bayesian modeling with modern self-supervised deep learning methods. This will provide insights into the determinants of dynamical weighting in diverse environments. In simulations I will test the hypothesis that the same weighting mechanisms are beneficial across environments, meaning that pre-structuring world models with these mechanisms consistently improves uncertainty processing. Finally, to understand if and how these mechanisms are implemented in cortex, I will collaborate with experimental researchers at FMI to record neural responses to complex stimuli with uncertainty in mice. By quantitatively predicting these responses we can directly measure the success of the developed theory, and assign functional roles to individual neurons in the brain.

The results of this project will elucidate how specific cortical circuit elements enable to model an uncertain world - one of the most fundamental abilities of the brain.

Wissenschaftliches Gebiet (EuroSciVoc)

Dieses Projekt wurde noch nicht bei EuroSciVoc klassifiziert.
Schlagen Sie die Wissenschaftsbereiche vor, die Ihrer Einschätzung nach besonders relevant sind, und helfen Sie uns, unseren Klassifizierungsdienst zu verbessern.