XiaoMi-AI文件搜索系统
World File Search System神经计算
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
基于LINBO3的神经形态计算的回忆录...
神经形态计算是开发能量有效和高性能的人工智能系统的有希望的范式。基于低功耗，非挥发性和高速开关等基于氯烯烯烃（Linbo 3）的烯烃（Linbo 3）的独特特性，使其成为神经形态系统中突触仿真的理想候选者。这项研究调查了基于Linbo 3的回忆录的潜力，通过探索其突触行为并优化设备参数来彻底改变神经形态计算，并利用Linbo 3基于Linbo 3的回忆录的潜力来创建效率和高性能神经计算机系统。通过实现有效和高速神经网络，该文献综述旨在为能够应对复杂的现实世界挑战的创新人工智能系统铺平道路。从本研究中获得的结果对于未来的研究人员和工程师至关重要，致力于设计和实施基于Linbo 3的神经形态计算体系结构。
简历
客座讲师：科罗拉多大学丹佛分校，神经科学 7501 神经科学概论（2016 年秋季、2017 年秋季、2018 年秋季）；科罗拉多大学丹佛分校，计算生物科学 7711 生物医学信息学方法与工具（2016 年秋季、2017 年秋季）；科罗拉多大学丹佛分校，神经科学 7657 神经科学家的 MatLab（2016 年夏季）；科罗拉多大学丹佛分校，神经科学 7610 神经生物学基础（2016 年冬季）；科罗拉多大学丹佛分校，计算生物科学 7712 生物医学信息学研究方法（2016 年冬季、2017 年冬季、2018 年冬季）；华盛顿大学，计算机科学与工程 590 专题 – 分子和神经计算（2014 年冬季）；华盛顿大学，应用数学 500 J 应用数学专题（2013 年春季）
认知和单个神经元：细胞类型如何构建额叶皮层的动态计算
摘要 额叶皮层被认为是许多高级认知能力的基础，从自我控制到长期规划。为了反映这些不同的需求，额叶神经活动具有众所周知的特殊性，其调节特性与无数的行为和任务特征相关。这种复杂的调节方式使得很难提取控制额叶神经活动的组织原则。在这里，我们对比了两种成功但看似不相容的方法，它们已经开始应对这一挑战。受单神经元调节的不可解释性的启发，第一种方法将额叶计算视为任意神经元混合所经过的动态轨迹。相比之下，第二种方法试图用皮层细胞类型的生物多样性来解释额叶活动的功能多样性。受最近在额叶神经元中发现的功能簇的启发，我们提出了这些群体和细胞类型特定方法在神经计算方面的一致性，并提出了这样的猜想：进化继承的细胞类型约束创建了额叶群体动态必须在其中运行的支架。
基于 DNA 的神经网络中的分子模式识别和监督学习
自然界的适应始于亚细胞、分子水平，生物分子级联的微妙相互作用协调着细胞的无数功能。这些细胞的混合活动成为多细胞系统复杂行为的表现。大自然提供了一系列令人眼花缭乱的例子，展示了智能功能的变化。然而，在合成构造领域，人类已经成功设计了哪些系统？我们的技术力量的界限是什么？与大自然的库相比，人类的成就显得相当微不足道。在智能生物中观察到的复杂行为源于其组成元素之间的集体相互作用和反馈回路，从而产生了新的特性和现象。为了开发表现出更像大脑的智能行为的大规模工程系统，我们必须首先设计出新的分子结构和算法，用于分子尺度的适应和学习。我在这里介绍的研究是朝着这些目标迈出的一小步。我将展示由 DNA 制成的新型分子系统的设计，这些系统表现出复杂的神经计算和学习行为。
缓慢而弱的吸引子计算嵌入快速和强的E-I平衡神经动力学
吸引子网络需要神经元连接是高度结构的，以维持代表信息的吸引子态，而激发和抑制平衡网络（E-INNS）需要神经元连接才能被延伸，并且稀疏以产生不规则的神经元素。尽管被视为神经回路的规范模型，但通常对两种类型的网络进行独立研究，并且鉴于它们的结构需求非常不同，因此仍不清楚它们如何在大脑中共存。在这项研究中，我们研究了连续吸引人神经网络（CANNS）和E-INN的兼容性。与重新实验数据一致，我们发现当神经元突触由两组组成时，神经回路可以表现出CANN和E-INN的特征：一组对于不规则的曲线是强的且快速的，而另一组对于吸管动力学而言弱且缓慢。另外，与仅使用一组突触相比，模拟和理论分析都表明，该网络表现出增强的性能，并加速了吸引子态的融合并保留了局部输入的E-I平衡状况。我们希望这项研究能够了解结构化神经计算如何通过神经元的不规则曲率实现。
塞缪尔·戴维·麦克杜格尔
2025 – 2029 美国国立卫生研究院，R01NS134754 总计：2,277,758 美元 上肢和语音适应中的基本预测计算 角色：MPI（与 Caroline Niziolek、Benjamin Parrell 和 Jordan Taylor 合作） 2024 – 2028 美国国立卫生研究院，R01MH133886 总计：3,652,686 美元 学习、决策和记忆的神经计算 角色：Co-I（PI：Ifat Levy 教授） 2023 – 2027 美国国立卫生研究院，R01NS132926 总计：2,093,750 美元 人类小脑中的广义预测误差 角色：PI 2022 – 2024 耶鲁大学吴仔研究所，创新资助 总计： $150,000 用于运动检测的领域通用神经算法 角色：联合 PI（与 Damon Clark 教授合作） 2023 Meta，无限制研究礼物 总计：$25,000 角色：PI 2022 – 2023 耶鲁大学，Seesel 博士后招聘捐赠奖 总计：$75,000 小脑在基于奖励的学习中的作用：对神经计算的影响 角色：PI
定向谱测量改善神经群体的潜在网络模型
系统神经科学旨在了解遍布大脑的神经元网络如何介导计算任务。识别这些网络的一种流行方法是首先计算来自多个大脑区域的神经活动测量值（例如功率谱），然后将线性因子模型应用于这些测量值。至关重要的是，尽管大脑区域之间的定向通信在神经计算中发挥着既定的作用，但定向通信的测量值很少用于网络估计，因为它们与线性因子模型方法的隐式假设不相容。在这里，我们开发了一种新的定向通信频谱测量，称为定向谱 (DS)。我们证明它与线性因子模型的隐式假设兼容，并提供了一种估计 DS 的方法。我们证明，与现有替代方案相比，DS 测量的潜在线性因子模型可以更好地捕捉模拟和真实神经记录数据中的底层大脑网络。因此，定向谱的线性因子模型为神经科学家提供了一种简单有效的方法来明确模拟神经群体网络中的定向通信。
人工智能在飞机上的应用 - DTIC
2.4-1 神经网络 51 2.4-2 生物和人工神经元 52 2.4-3 神经网络中的吸引子 54 2.4-4 反馈神经网络 54 2.4-5 神经网络的构建 56 3.1-1 B ABB AGE 工具的元素及其关系 66 3.2-1 可电训练模拟神经网络的代表性连接 69 3.2-2 光学神经计算集成电路 71 3.2-3 使用模糊逻辑的 ASIC 核心的基本实现 73 3.3-1 推理速度与 CPU 分辨率 76 3.3-2 开发工具框图 80 4.1-1 FTPP 架构 82 4.4-1 转向器软件架构 88 4.4-2 转向建议生成 90 4.4-3 飞行员意图图 93 4.4-4 RPA 演示器概念 95 4.5-1 系统开发活动 99 5.3-1 通用运行时推理引擎 107 5.4-1 系统开发周期 11° 5.5-1 软件开发的基本瀑布模型 117 5.5-2 专家系统开发周期图 119 6.4-1 较差的人类性能生成器 139 6.4-2 改进的人类性能生成器 140
人工智能及其在飞机中的应用 - DTIC
2.4-1 神经网络 51 2.4-2 生物和人工神经元 52 2.4-3 神经网络中的吸引子 54 2.4-4 反馈神经网络 54 2.4-5 神经网络的构建 56 3.1-1 B ABB AGE 工具的元素及其关系 66 3.2-1 可电训练模拟神经网络的代表性连接 69 3.2-2 光学神经计算集成电路 71 3.2-3 使用模糊逻辑的 ASIC 核心的基本实现 73 3.3-1 推理速度与 CPU 分辨率 76 3.3-2 开发工具框图 80 4.1-1 FTPP 架构 82 4.4-1 转向器软件架构 88 4.4-2 转向建议生成 90 4.4-3 飞行员意图图 93 4.4-4 RPA 演示器概念 95 4.5-1 系统开发活动 99 5.3-1 通用运行时推理引擎 107 5.4-1 系统开发周期 11° 5.5-1 软件开发的基本瀑布模型 117 5.5-2 专家系统的开发周期图 119 6.4-1 较差的人类性能生成器 139 6.4-2 改进的人类性能生成器 140