XiaoMi-AI文件搜索系统
World File Search Systemneuroscience
社论：脑启发计算：从神经科学到新形式的人工智能
对日常生活中的AI应用程序的增加增加导致对先进的机器学习系统的需求显着增加，例如人工神经网络，这些神经网络现在在许多任务中都超过了人类。基于变压器体系结构的生成AI解决方案的快速增长（Vaswani等，2017）进一步加速了对更强大的计算硬件的需求。此外，人类机器人技术的研究重点是开发复制神经过程的系统。但是，传统的硬件解决方案是不可持续的，因为它们需要频繁的培训周期，监督学习和大型OfflINE数据集，从而限制了可持续性AI的采用。最近，出现了使用常规模型的工业应用，但是受到大脑功能，有希望的，可持续的替代方案的启发的神经形态方法（Bhanja等人，2023年）。神经形态是一个伞术语，它涵盖了许多跨学科领域，包括神经科学，材料科学和电子体系结构，扩展到数学和软件模型。计算神经科学的进步以及神经元和突触模型的发展驱动了神经启发的微电子学的出现。首先，提出的电路主要基于以下观察结果：在亚阈值方面运行的晶体管与生物神经元膜的生物物理学具有显着相似之处（Indiveri等，2011）。这为开发基于硅神经元的新体系结构铺平了道路。值得注意的例子是功能化CMOS过程的成熟度允许稳定实施脑机界面和神经启发的低功率计算系统，从而达到了更高的复杂性（Indiveri等，2011）。然而，最近，科学界认识到模仿神经元行为的新材料和新兴设备的出色性能，进一步加速了这一方向的研究。
如何成为计算神经科学的现实主义者
本文即将由 Synthese 发表。最终版本可能包含微小更改，请引用已发布的版本。如何成为计算神经科学的现实主义者 Danielle J. Williams 华盛顿大学圣路易斯 danielle.williams@wustl.edu 摘要 最近，一种现实主义版本已被提出来解决计算神经科学中使用的简化策略（Chirimuuta，2023；2024）。根据这种观点，计算模型为我们提供了有关大脑的知识，但不应以任何意义从字面上理解，甚至拒绝大脑进行计算的想法（计算主义）。我承认需要考虑神经科学中的简化策略以及它们如何有助于我们对计算模型的解释；但是，我认为我们是否应该接受或拒绝关于大脑的计算主义是一个单独的问题，可以通过物理计算的哲学理论独立解决。这认真对待了大脑进行计算的想法，同时也对神经科学中的计算模型采取了类比立场。我将这种现实主义称为“类比计算现实主义”。类比计算现实主义是一种现实主义观点，它致力于计算主义，同时采用某些计算模型来挑选出真实的模式（Dennett，1991；Potochnik，2017），这些模式提供了一种可能性解释，同时不考虑模型实际上是在大脑中实现的。
行为只是运动，但如何解释它？转化神经科学中的问题和陷阱——40 年的经验
行为神经科学的转化研究遵循精神病学临床研究的指导，在动物身上寻找人类心理健康问题的原因和治疗方法。这项工作面临几个问题，因为科学家必须阅读和解释动物的动作来代表人类的感知、情绪和记忆过程。然而，目前仍不清楚哺乳动物的大脑如何将所有这些过程捆绑成脑干和脊髓中高度压缩的运动输出，但如果没有这些知识，转化研究将毫无意义。本文基于该领域四十年的经验，确定了解释问题的来源并说明了典型的转化陷阱。（1）老鼠的感官世界不同。嗅觉、听觉和触觉胡须感觉在啮齿动物中占主导地位，而视觉输入相对较小。在人类中，这种关系正好相反。（2）老鼠和人类的大脑被不恰当地等同起来：联合皮层占人类新皮层的很大一部分，而啮齿动物的联合皮层相对较小。啮齿类动物最主要的联想皮层是海马体本身，它主要协调来自次级感觉运动区域的输入，并产生物种典型的运动模式，这些模式不易与假定的人类海马功能相协调。（3）对记忆或情绪研究的翻译解释往往忽略了小鼠的生态学，小鼠是一种极小的物种，靠不需要太多认知处理的冻结或飞行反应生存。（4）进一步的误解源于将神经元特性与系统特性混为一谈，以及僵化的机械思维，没有意识到许多实验引起的大脑变化确实部分反映了不可预测的补偿性可塑性。（5）基于对室内和室外小鼠海马病变影响的观察，本文提供了一个与下丘脑输入和输出相关的海马功能的简单通用模型，将下丘脑和脊髓上运动系统置于大脑层级的顶端。 （6）通过将简单的物种典型行为作为可比的终点，可以避免许多翻译问题
Guillaume Lajoie 博士 - 神经科学系
传记 Guillaume Lajoie 是蒙特利尔大学数学与统计学系 (DMS) 的副教授，也是 Mila - 魁北克人工智能研究所的高级学术成员。他担任 CIFAR 主席（CCAI 加拿大）以及加拿大神经计算和接口研究主席（CRC）。他的研究处于人工智能和神经科学的交叉领域，他开发了工具来更好地理解生物和人工系统中常见的智能机制。他的研究小组的贡献范围从大型人工系统的多尺度学习范式的进步到神经技术的应用。 Lajoie 博士积极参与负责任的人工智能开发工作，寻求在研究和其他领域使用人工智能的指导方针和最佳实践。研究主题：表征学习、深度学习、认知、健康人工智能、科学人工智能。计算神经科学、优化、推理、循环神经网络。动态系统
临床科学/神经科学博士后研究员...
正念、迷幻药和基于大脑的成瘾和慢性疼痛治疗临床科学/神经科学博士后研究员我们正在为加州大学圣地亚哥分校精神病学系 UCSD ONEMIND（优化神经科学增强干预设计）项目招募博士后研究员。Eric Garland 博士是桑福德同理心和同情心研究所健康科学客座教授，也是加州大学圣地亚哥分校精神病学系和成瘾科学与治疗中心的教授，他正在寻找博士后研究员，以支持由联邦政府资助的生物行为临床研究，研究正念、迷幻药辅助疗法、神经反馈和其他针对慢性疼痛、阿片类药物滥用和阿片类药物使用障碍的综合疗法。 ONEMIND 目前负责监督由美国国立卫生研究院 (NIH) 资助的多个高影响力的 R01 拨款。Garland 博士正在寻找优秀的候选人来帮助进行随机临床试验 (RCT) 和神经科学研究，研究内容是正念导向恢复增强 (MORE)，这是一种针对慢性疼痛、阿片类药物滥用和 OUD 的手动干预措施，可单独使用或与迷幻药和其他神经科学信息疗法联合使用。有关 MORE 和当前研究的更多信息，请参阅 https://drericgarland.com/about-more/ 。候选人将协助完成以下职责：a) 根据现有数据集准备手稿；b) 临床试验实施；c) 心理生理数据收集、处理和分析（EEG、fNIRS 和 fMRI 测量）；d) 统计分析和数据科学；e) 设计和实施新的转化研究。具有临床学位的博士后研究员将接受培训，以实施 MORE 和其他基于正念的干预措施，然后在临床试验中提供正念和其他干预措施（例如，迷幻辅助疗法）。研究员还将有机会根据现有的主要数据集共同撰写多篇科学文章，并利用加州大学圣地亚哥分校的资源和跨学科联系申请联邦拨款。加州大学圣地亚哥分校在 NIH 精神病学资助方面排名第四，在美国公立大学中排名第七。Garland 博士正在寻找具有临床心理学、神经科学、认知科学、健康心理学或相关学科（或医学博士学位）的候选人（按工作开始时间计算）。申请人必须具备良好的科学写作技能，有扎实的出版记录、临床或神经科学研究经验以及强大的数据分析能力。该职位提供加州大学圣地亚哥分校的全部福利。薪资以 NIH 博士后薪资标准为准 (https://www.nhlbi.nih.gov/research/funding/general/nrsa-fund-guide)。初始任期为一年，有机会续聘。候选人审核将立即开始，并持续到职位被填补为止。此职位立即可用，申请人必须愿意居住在加利福尼亚州圣地亚哥或周边地区。具有心理生理数据分析（例如 EEG、HRV、fNIRS、MRI、眼动追踪等）、计算机编码/数据科学技能、机器学习、临床经验（例如心理健康、成瘾和/或慢性疼痛人群）和/或先前联邦资助研究的研究协调经验的申请人将被优先考虑。拥有临床执照（或有资格获得执照）的申请人将有机会为 Garland 博士正在进行的试验提供正念和其他行为干预。申请要求要申请该职位，请发送电子邮件至 Eric Garland 博士（egarland@health.ucsd.edu），并附上最新简历、注明预计到职日期的兴趣信以及至少三位推荐人的姓名和联系信息。欢迎通过电子邮件进行非正式询问和提问。文件要求 • 个人简历 - 您最近更新的简历 • 求职信 • 3 份推荐信（附联系信息）
神经科学
吸引我的神经外科是它的挑战性。漫长的工作时间，复杂的案件和做别人甚至无法想象的事情。作为爱荷华大学医院和诊所（UIHC）的居民，我对头骨基地的兴趣增长。这导致我在居住的第七年在UIHC获得了6个月的横向颅底研究金。为了获得多样化的经验，我去了英国伦敦，在国王学院医院（King's College Hospital）在欧洲最大的颅骨基础计划之一的国王学院医院（King's College Hospital）进行了6个月的奖学金。最终，我在匹兹堡大学医学中心的世界领先的骷髅基础计划上完成了一个高级内窥镜内多骨头骨基础的研究生奖学金。使用内窥镜的使用可能是神经外科手术中最大的进步之一，使用显微镜和血管内技术。
任务相关的自动编码增强了人类神经科学的机器学习。
在人类神经科学中，机器学习可以帮助揭示与受试者行为相关的低维神经表征。然而，最先进的模型通常需要大量数据集进行训练，因此很容易在人类神经成像数据上过度拟合，而这些数据通常只包含少量样本但输入维度很多。在这里，我们利用了这样一个事实：我们在人类神经科学中寻找的特征正是与受试者行为相关的特征，而不是噪音或其他不相关的因素。因此，我们开发了一种通过分类器增强的任务相关自动编码器 (TRACE)，旨在识别与行为相关的目标神经模式。我们针对两个严重截断的机器学习数据集（以匹配单个受试者的功能性磁共振成像 [fMRI] 数据中通常可用的数据）对 TRACE 与标准自动编码器和其他模型进行了基准测试，然后根据 59 名观察动物和物体的受试者的 fMRI 数据评估了所有模型。 TRACE 的表现几乎完全优于其他模型，分类准确率提高了 12%，在发现“更清晰”、与任务相关的表示方面提高了 56%。这些结果展示了 TRACE 在处理与人类行为相关的各种数据方面的潜力。
科学家建立大脑启发网络模型以连接人工智能和神经科学
他们的实验验证了内部复杂性模型在处理复杂任务的有效性和可靠性，为将神经科学的动态特性融入人工智能提供了新的方法和理论支持，也为优化和提升人工智能模型的实用性能提供了可行的解决方案。
疼痛神经科学的跨学科方法
国家卫生与医学研究委员会（NHMRC）澳大利亚*对比利时的De la Recherche Scientifique-FNRS（F.R.S.-FNRS）*科学，教育与青少年（MSEY）克罗地亚法国国家研究局（ANR）法国*法国教育与研究部（BMBF）德国研究基金会（BMBF）National National Intermanty and National Intermanty＆Interany Dermany German，National and Knecation and National and Knection and National Intermany German，National Inter，卫生研究委员会（HRB）爱尔兰卫生部（CSO-MOH）以色列*意大利卫生部（IT-MOH）意大利拉脱维亚科学委员会（LZP）拉脱维亚研究委员会（LMT）挪威研究委员会（RCN）
神经科学和新研究 - 启示 - 暴力...
当今的讨论青少年越来越倾向于感到孤独和误解，陷入病理成瘾，发展情绪障碍或真正的精神病病理学，有时会导致自杀。Esposito-Smythers和Goldston的评论强调，使用物质使用障碍的存在与自杀未遂的3-4倍有关[1]。此外，被诊断出患有药物使用障碍的青少年被自杀死亡的可能性是没有这种诊断的青少年的5至13倍[2]。根据Eures经济和社会研究的青年报告，与国家青年理事会和意大利青年机构合作，在意大利自杀是15至29岁的年轻人中的第四大死亡原因。在2021年，自杀中的13.9％涉及15-34岁年龄段，与大流行之前的时期相比显示出显着增加。为了对可以定义为真实社会瘟疫的重大贡献，回顾问题的根源至关重要。在许多情况下，实际上，这种不适的起源可以追溯到母亲的子宫和母亲所遭受的暴力。怀孕期间发生的家庭暴力与围产期死亡和新生儿死亡的风险增加有关[3]。怀孕期间因身体侵略而住院的妇女的胎儿死亡风险高八倍，而新生儿死亡的风险却高了近六倍[4]。此外，家庭暴力和持续暴露于创伤与怀孕培训周期中的互发增加有关，即：胎儿生长限制，贫血，吸烟，早产，死产，膜和胎盘的早产和胎盘的早产[5]。