Seminario "Carlos Segovia Fernández"

Dinámica cortical en circuitos recurrentes optimizados para realizar inferencia probabilística por muestreo

Charla a cargo de Rodrigo Echeveste



Ver charla

Bio. Rodrigo Echeveste es Doctor en Física. Es egresado del Instituto Balseiro, donde obtuvo su tanto su título de grado como de maestría. Se doctoró en la Universidad Goethe de Frankfurt, Alemania, en 2016, y entre el 2016 y el 2019 realizó una estancia postdoctoral en el Laboratorio de Aprendizaje Computacional y Biológico (CBL) de la Universidad de Cambridge, en el Reino Unido. Desde el 2019 se desempeña en el sinc(i) de la ciudad de Santa Fe como Investigador Asistente del CONICET, investigando en las áreas de Neurociencia Computacional e Inteligencia Artificial.

Resumen.  La dinámica neuronal de la corteza suele presentar una serie de características básicas, que hasta ahora no han podido ser explicadas en su conjunto bajo un único paraguas teórico. Estas características incluyen fuertes respuestas transitorias dominadas por inhibición, oscilaciones gamma, y variabilidad de ruido - todas estímulo-dependientes. En este trabajo presentamos un modelo unificado en el cual todos estos fenómenos dinámicos emergen como consecuencia de la implementación eficiente de una única función computacional: inferencia probabilística rápida. Para esto utilizamos un nuevo procedimiento del aprendizaje de máquinas para entrenar una red neuronal recurrente, respetando el principio de Dale, que representa una hiper-columna de la corteza visual primaria (V1). Para llevar a cabo la tarea, la red necesita modular no solamente la media (como es habitual), sino también la covarianza de la distribución estacionaria de respuestas, de modo de representar correctamente la distribución a posteriori correspondiente a un dado estímulo, inferida por un observador ideal. El circuito optimizado presenta una serie de propiedades interesantes. Primeramente, la red descubre una dinámica de no-equilibrio, como se utiliza en algunos de los más recientes algoritmos de muestreo para acelerar el proceso. El circuito también exhibe propiedades biológicas realistas para los que no fue directamente entrenado. Logra normalización divisiva, y muestra fuertes respuestas transitorias, así como también oscilaciones gamma, ambas moduladas por el contraste del estímulo. Llamativamente, estas propiedades no emergen si uno le pide a la red ajustar solamente respuestas medias. Este modelo nos permitió además hacer nuevas predicciones sobre la naturaleza de las respuestas transitorias que pudimos confirmar en un nuevo análisis de datos corticales. Para más información ver este link.