Саймон Стрингер - Simon Stringer

Саймон Стрингер
Фотография профиля доктора Саймона Стрингера.jpg
Альма-матерБакалавр Кентский университет
кандидат наук Университет Ридинга
Научная карьера
ПоляТеоретическая неврология
Вычислительная неврология
Искусственный интеллект
УчрежденияОксфордский университет
ДокторантНэнси К. Николс
Интернет сайтwww.oftnai.org

Саймон Стрингер - британский математик, директор Оксфордского центра теоретической нейробиологии и искусственного интеллекта и главный редактор журнала Сеть: вычисления в нейронных системах[1] опубликовано Тейлор и Фрэнсис.

Карьера

Стрингер работал в различных областях прикладной математики, таких как системы управления, вычислительная аэродинамика и эпидемиология. Он поступил на кафедру экспериментальной психологии в Оксфордский университет в 1993 году, а в 2006 году он стал директором Оксфордского центра теоретической нейробиологии и искусственного интеллекта.

Исследование

Стрингер и его исследовательская группа разрабатывают биологические компьютерные симуляции.[2] нейронных механизмов, лежащих в основе различных областей функции мозга, включая распознавание визуальных объектов, пространственную обработку и навигацию, двигательную функцию, язык и сознание.

В частности, исследование, опубликованное в Психологический обзор[3] и Фокус интерфейса 2018,[4] то Королевского общества междисциплинарный журнал, предлагает новый подход к решению Проблема привязки. Пиковая нейронная сеть симуляции[5] вентральной зрительной системы приматов показали постепенное появление субпопуляции нейроны, называется полихронные нейрональные группы (PNG), который демонстрирует регулярно повторяющиеся пространственно-временные паттерны спайков. Феномен, лежащий в основе этих характерных паттернов нейронной активности, известен как полихронизация.[6]

Суть в том, что внутри этих PNG существуют нейроны, называемые связывающие нейроны. Связывающие нейроны учатся представлять иерархические связывающие отношения между визуальными элементами нижнего и верхнего уровня в иерархии визуальных примитивов на каждом пространственном масштабе и во всем визуальном поле. Это наблюдение согласуется с иерархической природой зрения приматов, предложенной двумя нейробиологами Джоном Дунканом и Глин В. Хамфрис почти тридцать лет назад.[7]

Кроме того, предлагаемый механизм решения проблема привязки предполагает, что информация о визуальных особенностях в каждом пространственном масштабе, в том числе связующие отношения между этими функциями, будет проецироваться вверх на более высокие уровни сети, где пространственная информация будет доступна для считывания более поздними системами мозга, чтобы управлять поведением. Этот механизм получил название голографический принцип.

Эти связывающие характеристики репрезентации лежат в основе способности зрительного мозга воспринимать и осмысливать визуально-пространственный мир и само сознание. Это открытие представляет собой продвижение к будущему развитию общий искусственный интеллект и машинное сознание.[8] По словам Стрингера:

Современные машины неспособны воспринимать и понимать свою рабочую среду таким же богатым семантическим способом, как человеческий мозг. Включение этих биологических деталей в наши модели [...] позволит компьютерам начать понимать свой визуально-пространственный мир так же, как [человеческий] мозг.[9][10]

Рекомендации

  1. ^ "Сеть: вычисления в нейронных системах - новое сообщение главного редактора". Получено 26 января 2018.[мертвая ссылка ]
  2. ^ «Оксфордский университет, разрабатывающий с помощью Novatech нейронные сети Spiking». Новатех. Август 2018.
  3. ^ Eguchi, A .; Isbister, J .; Ahmad, N .; Стрингер, С. (2018). «Возникновение полихронизации и связывания признаков в модели нейронной сети с шипами вентральной зрительной системы приматов». Психологический обзор. 125 (4): 545–571. Дои:10.1037 / rev0000103. PMID  29863378.
  4. ^ Isbister, J .; Eguchi, A .; Ahmad, N .; Galeazzi, J.M .; Бакли, M.J .; Стрингер, С. (2018). «Новый подход к решению проблемы привязки признаков в зрении приматов». Фокус интерфейса. Королевское общество. 8 (4): 20180021. Дои:10.1098 / рсфс.2018.0021. ЧВК  6015810. PMID  29951198.
  5. ^ «Привязка функций в модели нейронной сети с пиками». Бристольский университет. Июль 2018 г.
  6. ^ Ижикевич, Э.М. (2006). «Полихронизация: вычисление с пиками». Нейронные вычисления. 18 (2): 245–282. Дои:10.1162/089976606775093882. PMID  16378515.
  7. ^ Дункан Дж .; Хамфрис GW. (1989). «Визуальный поиск и сходство стимулов» (PDF). Психологический обзор. 96 (3): 433–58. Дои:10.1037 / 0033-295x.96.3.433. PMID  2756067.
  8. ^ «Развитие машинного обучения». SC Magazine UK. Январь 2018.
  9. ^ Симпозиум "Будущее науки". Оксфордский университет. 2017 г.
  10. ^ Странные события, от которых у машин появляются галлюцинации. BBC Future. 2019.

внешняя ссылка