Opis projektu
Uczenie maszynowe umożliwia odkrywanie reguł rządzących uczeniem się prawdziwych neuronów
Modelowanie jest stosowane praktycznie we wszystkich dziedzinach, od projektowania samolotów po opracowywanie leków. Modele powstają na podstawie danych obserwacyjnych lub eksperymentalnych i udoskonalane za pomocą dodatkowych danych oraz zaawansowanych metod, w tym uczenia maszynowego. Ich przydatność związana jest ze zdolnością do przewidywania odpowiadających rzeczywistości rezultatów i nowych wyników. Modelowanie reguł rządzących zmieniającymi się „wagami” połączeń synaptycznych między neuronami (determinujących plastyczność synaptyczną), stanowiących podstawę procesów uczenia się i pamięci, jest niezwykle trudnym zadaniem. Zespół finansowanego przez UE projektu SynapSeek połączy bogactwo opublikowanych danych z zaawansowanymi metodami uczenia maszynowego w celu „odkrywania” reguł dotyczących plastyczności synaptycznej in silico.
Cel
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.
Słowa kluczowe
Program(-y)
Temat(-y)
System finansowania
ERC-COG - Consolidator GrantInstytucja przyjmująca
3400 Klosterneuburg
Austria