导语


神经科学和人工智能领域的多位著名学者近日发表 NeuroAI 白皮书认为，神经科学长期以来一直是推动人工智能（AI）发展的重要驱动力，NeuroAI 领域的基础研究将推动下一代人工智能的进程。文章发表后引发热议：神经科学是否推动了人工智能？未来的人工智能是否需要神经科学？


本着促进神经科学、计算机科学、认知科学和脑科学等不同领域的学术工作者的交流与合作，集智俱乐部联合北京师范大学柳昀哲、北京大学鲍平磊和昌平实验室吕柄江三位研究员共同发起了「NeuroAI」读书会，聚焦在视觉、语言和学习领域中神经科学与人工智能的相关研究，期待能够架起神经科学与人工智能领域的合作桥梁，激发跨学科的学术火花。


读书会线上进行，11月27日开始，每周日下午19:00-21:00，持续时间预计10周。读书会详情及参与方式见后文。





分享内容简介



 

学习智能的核心问题是如何构建高效的状态空间，TEM给出了一个从感知觉输入构建状态空间的案例。TEM的架构分解了感知觉表征、状态空间表征和关系记忆，当环境发生变化而任务结构不变的情况下，TEM能快速的泛化以适应新环境。从生物智能的角度，TEM的设计与生物大脑海马结构的组织方式高度对应，分析TEM的表征和计算关系，帮助我们更好的理解生物大脑如何统一处理空间任务和关系型任务，以及各种类型细胞的表征和计算原则是什么。





分享内容大纲



 

  1. 背景回顾：认知地图，关系推理，结构泛化

  2. TEM的架构、算法

  3. TEM的任务表现

  4. 从模型到大脑：理解海马组织的功能

  5. 模型比较：SR、 CSCG、 SMP




主要涉及的核心概念



  1. 认知地图（cognitive map）

  2. 空间导航、关系推理（spatial navigation、relational inference）

  3. 位置细胞、网格细胞(Place cell、Grid cell)

  4. 推理、泛化（inference、 generalization）

  5. 分解、结合（factorization、conjunction）

  6. 相关脑区：海马体、内嗅皮层、外嗅皮层（HC、 MEC、 LEC）

  7. 相关算法：Sleep-wake algorithm, VAE, Transformer

  8. 其他模型：SR(Successive Representation), CSCG(Clone-Structured Cognitive Graph), SMP(Spatial Memory Pipeline)




主讲人




曹红星，2014年于中国科学技术大学获硕士学位，研究方向为形式化方法与高可信软件验证。2020年至今为北京师范大学在读博士，研究方向为情感计算与认知神经科学。


郑晖，2021年于武汉大学获得学士学位。2021年至今为北京大学在读博士，研究方向为认知地图与神经重放的计算机制、神经重放的解码算法。

个人主页：https://fassial.github.io/




直播信息



 

时间：

2023年1月29日（本周日）晚上19:00-21:00

参与方式：

扫码参与NeuroAI读书会，加入群聊，获取系列读书会回看权限，成为NeuroAI社区的种子用户，与社区的一线科研工作者与企业实践者沟通交流，共同推动NeuroAI社区的发展。




本次分享与读书会主题之间的关系



 
本次分享涉及学习智能模块的一个子问题：如何从感知觉任务学习高效的状态空间。文章用机器学习算法，对应大脑的组织结构，构建了一个模型来学习任务的状态空间，并进一步分析模型的任务表征和计算关系，帮助理解大脑的功能。




主要涉及到的参考文献



 
[1] Whittington, James CR, et al. “The Tolman-Eichenbaum machine: unifying space and relational memory through generalization in the hippocampal formation.” Cell 183.5 (2020): 1249-1263.
[2] Whittington, J. C., Dorrell, W., Ganguli, S., & Behrens, T. E. (2022). Disentangling with Biological Constraints: A Theory of Functional Cell Types. arXiv preprint arXiv:2210.01768.
[3] Dorrell, W., Latham, P. E., Behrens, T. E., & Whittington, J. C. (2022). Actionable Neural Representations: Grid Cells from Minimal Constraints. arXiv preprint arXiv:2209.15563.
[4] Whittington, J. C., McCaffary, D., Bakermans, J. J., & Behrens, T. E. (2022). How to build a cognitive map. Nature Neuroscience, 25(10), 1257-1272.
[5] Stachenfeld, K. L., Botvinick, M. M., & Gershman, S. J. (2017). The hippocampus as a predictive map. Nature neuroscience, 20(11), 1643-1653.
[6] George, D., Rikhye, R. V., Gothoskar, N., Guntupalli, J. S., Dedieu, A., & Lázaro-Gredilla, M. (2021). Clone-structured graph representations enable flexible learning and vicarious evaluation of cognitive maps. Nature communications, 12(1), 2392.
[7] Uria, B., Ibarz, B., Banino, A., Zambaldi, V., Kumaran, D., Hassabis, D., … & Blundell, C. (2020). The Spatial Memory Pipeline: a model of egocentric to allocentric understanding in mammalian brains. BioRxiv, 2020-11.
[8] Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., … & Polosukhin, I. (2017). Attention is all you need. Advances in neural information processing systems, 30.
[9] Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[J]. Advances in neural information processing systems, 2017, 30.
https://github.com/djcrw/generalising-structural-knowledge
https://github.com/jbakermans/torch_tem



NeuroAI读书会招募中


神经科学和人工智能领域的多位著名学者近日发表 NeuroAI 白皮书认为，神经科学长期以来一直是推动人工智能（AI）发展的重要驱动力，NeuroAI 领域的基础研究将推动下一代人工智能的进程。文章发表后引发热议：神经科学是否推动了人工智能？未来的人工智能是否需要神经科学？

本着促进神经科学、计算机科学、认知科学和脑科学等不同领域的学术工作者的交流与合作，集智俱乐部联合北京师范大学柳昀哲、北京大学鲍平磊和昌平实验室吕柄江三位研究员共同发起了「NeuroAI」读书会，聚焦在视觉、语言和学习领域中神经科学与人工智能的相关研究，期待能够架起神经科学与人工智能领域的合作桥梁，激发跨学科的学术火花。


详情请见：

NeuroAI 读书会启动：探索神经科学与人工智能的前沿交叉领域



点击“阅读原文”，报名读书会