XiaoMi-AI文件搜索系统
World File Search System神经计算
美与不确定性作为变革因素：格式塔心理治疗中美学诊断与干预的自由能量原理解释
格式塔疗法借鉴场理论，将心理痛苦和心理治疗视为两种有意图的场现象，其中未经处理和混乱的体验寻求机会通过患者和治疗师之间的接触（即接触的意向性）出现和被吸收。这种治疗方法基于治疗师在治疗过程中体现的审美体验，因为 (1) 对美的感知可以为治疗师提供有关未处理体验吸收的反馈；(2) 治疗师对内在审美诊断标准的关注可以通过支持对新体验的开放性来促进对僵化精神病理学场的修改。本文旨在回顾心理生理学、神经美学研究和神经计算认知模型（如自由能原理 (FEP)）的最新证据，这些证据支持格式塔心理治疗中审美感性的治疗潜力这一概念。根据神经影像数据、心理生理学和最近关于审美感知的神经认知理论，我们提出了一种新颖的解释，认为美感是一种自我产生的奖励，激励我们在对自己和世界的预测性表征中吸收越来越多的感官和情感状态，并支持接触的意向性。在心理治疗过程中，期待美可以帮助治疗师容忍不确定性，避免冲动行为，并关注变化的过程。
第 7 章 神经机器翻译的工作原理
你的确是对的！但目前计算机进行的近似计算遵循了完全不同的路径：在几分之一秒内执行数百万次数学运算，以获得有时可能被标记为足够有时可能不足够的翻译。事实证明，它们恰好足够的次数百分比在过去几年中急剧上升。但是，从历史上看，人工神经网络被设计为自然神经网络（例如我们的大脑）如何工作的简化模型，其中进行的认知过程也是分布式神经计算过程的结果，这些过程与上面提到的数学运算并没有太大不同。本章将教你 NMT 技术的关键要素。我们将首先指出人类大脑如何进行翻译与 NMT 系统如何进行翻译之间的联系。这将有助于我们介绍全面了解机器学习和人工神经网络原理所需的基本概念，这构成了 NMT 的两个基石。之后，我们将讨论非上下文词嵌入的基本原理，这是一种具有许多有趣属性的词的计算机化表示，当通过一种称为注意力的机制组合时，将产生所谓的上下文词嵌入，这是实现 NMT 的关键因素。所有这些要素将使我们能够全面展示两种最常用的 NMT 模型（即 Transformer 和循环模型）的内部工作原理。本章最后介绍了一系列次要主题，这些主题将提高您对这些系统如何在幕后运行的了解。
使用卷积神经网络进行头皮脑电图疼痛检测...
摘要——疼痛是一种综合现象，伴随着大脑中感觉和情境过程的动态相互作用，通常与可检测到的神经生理变化有关。大脑活动记录工具和机器学习技术的最新进展引起了用于客观和基于神经生理学的疼痛检测的神经计算技术的研究和开发。本文提出了一种基于脑电图 (EEG) 和深度卷积神经网络 (CNN) 的疼痛检测框架。通过招募 10 名慢性背痛患者，研究了 CNN 用于区分诱发疼痛状态和静息状态的可行性。实验研究分两个阶段记录 EEG 信号：1. 运动刺激 (MS)，通过执行预定义的运动任务来诱发背痛；2. 视频刺激 (VS)，通过观看一组视频片段来诱发背痛感知。多层 CNN 对静息状态和疼痛状态下的 EEG 片段进行分类。这种新方法具有高性能和稳定性，因此对于构建强大的疼痛检测算法具有重要意义。我们的方法的受试者工作特征曲线下面积 (AUC) 分别为 MS 和 VS 中的 0.83 ± 0.09 和 0.81 ± 0.15，高于最先进的方法。还分析了亚脑区，以检查与疼痛检测相关的不同脑拓扑结构。结果表明，MS 引起的疼痛
大脑中感觉信息的转变表明优化标准的改变
整个大脑中的神经元会根据感觉输入有规律地调节其放电频率。神经计算理论认为，这些调节反映了受限优化的结果，其中神经元旨在稳健高效地表示感觉信息。然而，我们对这种优化在大脑不同区域如何变化的理解仍处于起步阶段。在这里，我们表明神经感觉反应沿着视觉系统的背流转变，其方式与从优化信息保存到优化感知辨别的转变一致。专注于双眼视差的表示（两只眼睛的视网膜图像的细微差异），我们重新分析了表征猕猴大脑区域 V1、V2 和 MT（中颞）神经调节曲线的测量值。我们使用 Fisher 信息框架将它们与自然行为中通常遇到的双眼视差统计数据进行比较。不同区域的调谐曲线特征的差异与优化目标的转变相一致：V1 和 V2 群体水平的反应更符合最大化编码的有关自然发生的双眼视差的信息，而 MT 反应则转向最大化支持视差辨别的能力。我们发现，调谐曲线向更大视差的转变是这种转变的关键驱动因素。这些结果为先前发现的皮质视差选择区域之间的差异提供了新的见解，并表明这些差异在支持视觉引导行为方面发挥着重要作用。我们的研究结果强调，在评估神经代码的最优性时，不仅需要考虑信息保存和神经资源，还需要考虑与行为的相关性。
耗散双量子比特量子信道的稳态及其在量子机器学习中的应用
纠缠态的制备和保存是任何量子信息平台的基石。然而，量子信息科学中最强大的对手是不必要的环境影响，例如退相干和耗散。在这里，我们讨论如何控制和利用系统与环境耦合产生的耗散，为量子机器学习提供静止的纠缠态。为此，我们设计了一个耗散量子通道，即与压缩真空场库相互作用的双量子比特系统，并通过求解相应的主方程来研究通道的输出状态，特别是在小压缩范围内。我们表明，通道的时间相关输出状态是所谓的双量子比特 X 状态，它可以概括许多纠缠的双量子比特状态系列。此外，通过将一般的贝尔对角态视为系统的初始状态，我们发现这种耗散通道在稳态状态下会产生两类众所周知的纠缠混合态和类沃纳态。此外，该通道提供了一种有效的方法来确定给定的初始状态是否会导致静止纠缠态。最后，我们研究了设计的双量子比特通道在量子机器学习中的潜在应用。将双量子比特通道的非幺正变换与并行处理的神经计算相结合，建立了有意义的量子神经网络的要求。关键词：耗散双量子比特通道；量子机器学习，静止纠缠态；压缩水库
人脑中的解码面部识别能力
为什么有些人更好地识别面孔？发现支持面部识别能力的神经机制已被证明难以捉摸。为了应对这一挑战，我们使用了一种多模式数据驱动的方法，该方法结合了神经影像，计算建模和行为测试。我们记录了具有非凡的面部识别能力的个体的高密度脑电图脑活动 - 超级识别器 - 以及典型的识别剂，以应对各种视觉刺激。使用多元模式分析，我们从1 s的大脑活动中解码了面部识别能力，精度最高为80％。为了更好地理解该解码的机制，我们将参与者的大脑中的表示形式与人工神经网络模型的视觉和语义模型以及参与人类形状和含义相似性的判断的人进行了比较。与典型的识别者相比，我们发现超级识别器的早期大脑表示与视觉模型的中级表示以及形状相似性判断之间的相关性更强。此外，我们发现超级识别器的晚期大脑表示与人工语义模型的表示之间以及含义相似性判断之间的更强关联。总体而言，这些结果表明，大脑处理中的重要个体变化，包括神经计算扩展到纯粹的视觉过程，支持面部识别能力的差异。他们为语义计算与面部识别能力之间的关联提供了第一个经验证据。我们认为，这种多模式数据驱动的方法可能会在进一步揭示人脑中特质识别的复杂性方面发挥关键作用。
利用循环神经网络从神经测量中重建计算动力学
使用循环神经网络从神经测量重建计算动力学 Daniel Durstewitz 1,2,3,*、Georgia Koppe 1,4、Max Ingo Thurm 1 1 海德堡大学医学院中央精神卫生研究所理论神经科学系 2 海德堡大学跨学科科学计算中心 3 海德堡大学物理与天文学院 4 海德堡大学医学院中央精神卫生研究所精神病学和心理治疗诊所* 通讯作者：daniel.durstewitz@zi-mannheim.de 关键词：动力系统理论、机器学习、循环神经网络、吸引子、混沌、多个单元记录、神经生理学、神经成像 摘要 神经科学中的机械和计算模型通常采用微分或时间递归方程组的形式。此类系统的时空行为是动力系统理论 (DST) 的主题。 DST 提供了一个强大的数学工具箱，用于描述和分析从分子到行为的任何级别的神经生物学过程，几十年来一直是计算神经科学的支柱。最近，循环神经网络 (RNN) 成为一种流行的机器学习工具，用于研究神经或行为观察背后的非线性动力学。通过在与动物受试者相同的行为任务上训练 RNN 并剖析其内部工作原理，可以产生关于行为的神经计算基础的见解和假设。或者，可以直接在手头的生理和行为时间序列上训练 RNN。理想情况下，一旦训练好的 RNN 将能够生成具有与观察到的相同的时间和几何属性的数据。这称为动态系统重建，这是机器学习和非线性动力学中一个新兴的领域。通过这种更强大的方法，就其动态和计算属性而言，训练过的 RNN 成为实验探测系统的替代品。然后可以系统地分析、探测和模拟训练过的系统。在这里，我们将回顾这个令人兴奋且迅速发展的领域，包括机器学习的最新趋势，这些趋势在神经科学中可能还不太为人所知。我们还将讨论基于 RNN 的动态系统重建的重要验证测试、注意事项和要求。概念和应用将通过神经科学中的各种示例进行说明。简介理论神经科学的一个长期原则是，神经系统中的计算可以用底层的非线性系统动力学来描述和理解（Amit & Brunel，1997；Brody & Hopfield，2003；Brunel，2000；Durstewitz，2003；Durstewitz 等，1999、2000、2021；Hodgkin & Huxley，1952；Hopfield，1982；Izhikevich，2007；Machens 等，2005；Miller，2016；Rinzel & Ermentrout，1998；Wang，1999，2002；Wilson，1999；Wilson & Cowan，1972）。相关思想可以追溯到 40 年代 McCulloch & Pitts (1943)、Alan Turing (1948) 和 Norbert Wiener (1948) 的工作，并在 80 年代早期通过 John Hopfield (1982) 的开创性工作获得了发展势头，该工作将记忆模式嵌入为简单循环神经网络中的固定点吸引子。Hopfield 网络的美妙之处在于它们免费提供了生物认知系统的许多特性，例如自动模式完成、通过部分线索进行内容可寻址记忆检索或对部分病变和噪声的鲁棒性。通过动态系统理论 (DST) 的视角来观察神经计算特别有力，因为一方面，许多（如果不是大多数）物理和生物过程都是自然形式化的
解码人类大脑的面部识别能力
为什么有些人更擅长识别人脸？揭示支持人脸识别能力的神经机制一直难以捉摸。为了应对这一挑战，我们使用了一种多模态数据驱动的方法，结合了神经成像、计算建模和行为测试。我们记录了具有非凡人脸识别能力的个体（超级识别者）和典型识别者对各种视觉刺激的高密度脑电图活动。使用多元模式分析，我们从 1 秒的大脑活动中解码了人脸识别能力，准确率高达 80%。为了更好地理解这种解码的机制，我们将参与者大脑中的表征与视觉和语义的人工神经网络模型中的表征以及与人类对形状和含义相似性判断有关的表征进行了比较。与典型识别者相比，我们发现超级识别者的早期大脑表征与视觉模型以及形状相似性判断的中级表征之间存在更强的关联。此外，我们发现超级识别者的晚期大脑表征与人工语义模型表征以及意义相似性判断之间存在更强的关联。总体而言，这些结果表明，大脑处理过程中的重要个体差异（包括超越纯视觉过程的神经计算）支持了人脸识别能力的差异。它们为语义计算与人脸识别能力之间的关联提供了第一个经验证据。我们相信，这种多模态数据驱动的方法很可能在进一步揭示人类大脑中特殊人脸识别的复杂性方面发挥关键作用。
循环动力学的反馈控制限制了运动适应过程中的学习时间尺度
初级运动皮层 (M1) 的潜在动力学模型揭示了运动控制背后的基本神经计算；然而，这种模型往往忽略了感觉反馈的影响，感觉反馈可以不断更新皮层动力学并纠正外部扰动。这表明迫切需要对感觉反馈和内在动力学之间的相互作用进行建模。这种模型还有利于实时解码神经活动的脑机接口 (BCI) 的设计，其中用户学习和熟练控制都需要反馈。在这里，我们研究了皮层动力学的灵活反馈调节，并展示了它对 BCI 任务性能和短期学习的影响。通过在简单的 2D 到达任务（类似于 BCI 光标控制）上使用实时感觉反馈训练循环网络模型，我们展示了如何将以前报告的 M1 活动模式重新解释为由反馈驱动的动力学引起的。接下来，通过在 M1 上游加入自适应控制器，我们做出了一个可测试的预测：除了 M1 内循环连接的可塑性之外，M1 输入的可塑性（包括感官反馈的重新映射）还促进了新 BCI 解码器的短期学习。这种输入驱动的动态结构还决定了适应速度和学习成果，并解释了学习变异性的连续形式。因此，我们的工作强调了对运动控制的输入相关潜在动力学进行建模的必要性，并阐明了学习限制是如何从神经活动的统计特征和底层动态结构中产生的。
流体的自我概念：大脑如何保持相互联系的自我概念的连贯性和积极性，同时结合社会反馈
人们将社会反馈的实例视为相互依存的，对他们的整个自我概念的潜在影响。人们如何在自我概念中保持积极和连贯性，同时从反馈中更新自我观看？我们提出了一个净工作模型，描述了大脑如何代表特征之间的语义依赖关系，并使用此信息来避免阳性和连贯性的总体丧失。男性和女性参与者在进行自我评估任务中都会收到社交反馈，同时进行功能性磁共振成像。我们通过将增强学习模型纳入网络结构中来建模自我更新。参与者从正面反馈中得知，从积极的反馈中学到了更快的学历，并且不太可能改变网络中具有更多依赖性的性状的自我查看。此外，参与者在网络关系中返回了传播的反馈，同时根据网络相似性检索先前的反馈以告知正在进行的自我查看。在腹侧前额叶皮层（VMPFC）中激活反映了受约束的更新过程，以使积极反馈导致更高的激活和负面反馈对具有更多依赖性的性状的激活减少激活。此外，VMPFC与网络中先前自我评估的性状相对于特征的新颖性有关，并且鉴于先前的反馈相关性，角回与更确定性的自我确定性相关。我们建议，有选择地增强或减轻社会反馈并检索过去相关经验以指导正在进行的自我评估的神经计算可能支持整体积极和连贯的自我概念。