Description du projet
L’apprentissage automatique découvre les règles qui dirigent les substrats neuronaux du véritable apprentissage
Les modèles sont utilisés dans pratiquement tous les domaines, de la conception aérospatiale au développement de médicaments. Ils sont élaborés à partir de données observationnelles ou expérimentales, puis affinés grâce à des données supplémentaires et à des méthodes de haute technologie, notamment l’apprentissage automatique. La valeur de ces modèles, à bien des égards, est d’autant plus précieuse qu’ils parviennent à prédire des résultats réalistes et inédits. La modélisation des règles régissant l’évolution du «poids» des connexions synaptiques entre les neurones (plasticité synaptique), qui est à la base de l’apprentissage et de la mémoire, représente une tâche extrêmement ardue. Le projet SynapSeek, financé par l’UE, associera une multitude de données publiées à des méthodes avancées d’apprentissage automatique afin de «découvrir» les règles de la plasticité synaptique in silico.
Objectif
How do we learn to dance, play an instrument, or a game as complex as chess or go? How do we make a memory? The common answer to these questions is “through synaptic plasticity”, through changing the synaptic connectivity of neural circuits so that representative brain activity can be reliably triggered. Such connectivity changes are governed by rules, i.e. synaptic mechanisms which monitor the activity of their environment and stereotypically strengthen or weaken synapses accordingly. The shape and mode of operation of these rules is still largely unknown: For the more than hundred different connection types in cortical circuits, only a handful of rules has been described at all. Similarly, testing observed rules in simulations of cortical function has only seen limited success. Our slow progress is due to the extraordinary difficulty of measuring and observing synapses without interference.
Here, we propose a new approach. By utilizing the growing power of machine learning methods we can deduce synaptic plasticity rules directly. Newly developed search algorithms and sheer computational power allow us to integrate published data and infer synaptic rules in silico. We aim to (1) develop a new mathematical expression of synaptic plasticity rules, experimentally appropriate and flexible enough to be implemented in a Machine Learning framework, dubbed SYNAPSEEK. Next (2), we will apply SYNAPSEEK to deduce the rules for building various neural structures with increasing complexity. Finally (3), we will incorporate additional constraints to SYNAPSEEK to develop synaptic rules that shape network function as much as its structure. Our work will establish, for the first time, canonical sets of synaptic plasticity rules, based on the circuit structure they must produce, and the function they are meant to support. SYNAPSEEK will have immediate and wide ranging applications, from a basic understanding of cortical development to better protocols for Deep Brain Stimulation.
Programme(s)
Appel à propositions
(s’ouvre dans une nouvelle fenêtre) ERC-2018-COG
Voir d’autres projets de cet appelRégime de financement
ERC-COG - Consolidator GrantInstitution d’accueil
3400 Klosterneuburg
Autriche