Overview Επισκόπηση

Building an AI model of the Human brain Οικοδόμηση μιας AI μοντέλο του ανθρώπινου εγκεφάλου

What types of processes probably exist in physical brain regions of humans? Τι είδους διαδικασίες πιθανώς υπάρχουν σε φυσική περιοχές του εγκεφάλου των ανθρώπων;

Emotion Machine (Model-6) reflective problem solving example Emotion Machine (Model-6) στοχαστική επίλυση προβλημάτων παράδειγμα

The Neural Model of Mind (or NeuralMoM) project is the intersection of the fields of artificial intelligence with the most advanced computational models of mind and neuroscience with the most advanced computational models of the brain. Τα νευρωνικά Model of Mind (ή NeuralMoM) έργου είναι η τομή των πεδίων της τεχνητής νοημοσύνης με τα πιο προηγμένα υπολογιστικά μοντέλα του νου και της νευροεπιστήμης με τα πιο προηγμένα υπολογιστικά μοντέλα του εγκεφάλου. The goal of the project is to use artificial intelligence models of problem solving, such as the 6-Layer Emotion Machine Model developed by Marvin Minsky , in order to guide our self-reflective and self-control understanding of the computational aspects of goal-oriented thought processing. Ο στόχος του έργου είναι η χρήση τεχνητής νοημοσύνης μοντέλα επίλυσης προβλημάτων, όπως η 6-Layer Emotion Machine Μοντέλο που αναπτύχθηκε από Marvin Minsky, προκειμένου να καθοδηγούν την αυτο-στοχαστική και αυτο-ελέγχου κατανόηση των υπολογιστικών πτυχές του στόχου προσανατολισμένη νόμιζα μεταποίηση.

Combining Artificial Intelligence and Neuroscience Ο συνδυασμός της τεχνητής νοημοσύνης και της νευροεπιστήμης

People, objects, goals and plans are common aspects of most current AI models of mind. Οι άνθρωποι, αντικείμενα, τους στόχους και τα σχέδια είναι κοινές πτυχές των πιο πρόσφατη AI μοντέλα του νου. While the field of neuroscience is currently using machine learning techniques (such as Hidden Markov, Naive Bayes, K-Nearest Neighbor, Artificial Neural Networks, and Linear Filters), these techniques can only learn very simple classes of computational thought processes. Ενώ το πεδίο της νευροεπιστήμης είναι σήμερα, χρησιμοποιώντας τεχνικές μηχανικής μάθησης (όπως Hidden Markov, Naive Bayes, K-Κοντινότερη γείτονα, Τεχνητά Νευρωνικά Δίκτυα, και Γραμμικά φίλτρα), οι τεχνικές αυτές μπορούν μόνο να μάθουν πολύ απλές τάξεις των υπολογιστικών μεθόδων σκέψης. Most of these techniques focus on learning artificial reactive memories, which are basically memories that follow a specific progression in time without reporting errors or successes to higher level cognitive systems, which would allow for modular debugging, compiling, and execution of thought processes. Οι περισσότερες από αυτές επικεντρώνονται στην εκμάθηση τεχνικών τεχνητής αέργου αναμνήσεις, οι οποίες είναι κατά βάση οι αναμνήσεις που ακολουθούν μια συγκεκριμένη εξέλιξη στο χρόνο χωρίς την υποβολή εκθέσεων λάθη ή επιτυχίες στο υψηλότερο επίπεδο των γνωστικών συστημάτων, η οποία θα επέτρεπε τη σπονδυλωτή debugging, συγκέντρωση, και την εκτέλεση των διαδικασιών σκέψης.

Functional Neural Patterns could map to Artificial Intelligence Procedures Λειτουργικές Νευρωνικά Patterns χάρτη θα μπορούσε να Τεχνητή Νοημοσύνη Διαδικασίες

We propose that in order to find these more complex types of thought processes, we are looking for correlations between artificially intelligent software implementations of these thought processes and biological causal (functional) relationships between active neuronal structures. Εμείς προτείνουμε ότι για να βρούμε αυτές τις πιο πολύπλοκες μορφές της σκέψης, εξετάζουμε για συσχετίσεις μεταξύ τεχνητά ευφυές λογισμικό υλοποιήσεις της σκέψης αυτών των διαδικασιών και των βιολογικών αιτιώδης (λειτουργική) τις σχέσεις μεταξύ των ενεργών δομών των νευρώνων.

One approach to finding causal (functional) relationships between active neuronal structures is by using active inhibition and excitation of neural structures noninvasively through transcranial magnetic stimulation (TMS). Μία προσέγγιση για τη διαπίστωση αιτιώδους (λειτουργική) τις σχέσεις μεταξύ των ενεργών δομών των νευρώνων είναι η χρήση δραστικών δειλία και την διέγερση των νευρικών δομών noninvasively μέσω transcranial μαγνητική διέγερση (ΕΜ). One lightweight non-invasive procedure we are implementing for reading neural activity is near-infrared spectroscopy (NIRS), which can be calibrated by fMRI data. Ένα ελαφρύ, μη επεμβατική διαδικασία που εφαρμόζουμε για την ανάγνωση νευρωνικά δραστηριότητα είναι κοντά στην υπέρυθρη φασματοσκοπία (NIRS), η οποία μπορεί να διακριβώνεται από fMRI δεδομένων. Many approaches using electromagnetic control of large numbers of single cells, such as the novel high-bandwidth I/O techniques developed by the Boyden Lab . Πολλές προσεγγίσεις που χρησιμοποιούν την ηλεκτρομαγνητική έλεγχο των μεγάλων αριθμών και μόνο κυττάρων, όπως είναι το μυθιστόρημα "υψηλού εύρους ζώνης I / O τεχνικές που αναπτύσσονται από την Boyden Lab. While all of these technologies are very preliminary, they have all shown great effectiveness individually. Ενώ όλες αυτές οι τεχνολογίες είναι πολύ προκαταρκτικά, έχουν δείξει μεγάλη αποτελεσματικότητα όλα τα ατομικά.

Common Sense Self-Reflection Η κοινή λογική αυτο-αντανάκλαση

We hope that using a Common Sense model of mind based on the computational primitives based on the Emotion Machine model developed by Marvin Minsky will allow us to make people able to easy self-reflect and control their own mental mental states directly without knowing anything complex about neuroscience or their physiological brains at all. Ελπίζουμε ότι, χρησιμοποιώντας μια κοινή αίσθηση του νου μοντέλου βασίζεται στην υπολογιστική primitives με βάση το Emotion Machine μοντέλο που αναπτύχθηκε από Marvin Minsky θα μας επιτρέψει να κάνει τους ανθρώπους να μπορούν εύκολα να αυτο-έλεγχο και αντανακλούν τη δική τους πνευματική ψυχική αναφέρει απευθείας μην γνωρίζοντας τίποτα για πολύπλοκες νευροεπιστήμης ή της φυσιολογίας τους εγκεφάλους σε όλα. One goal is to allow to user to come to the system with their own model of mind and use this to interact with the NeuralMoM, which will inherently be a learning system for Models of Mind and realtime neuroscience data. Ένας στόχος είναι να επιτρέψει στο χρήστη να έρθει στο σύστημα με το δικό τους μοντέλο του νου και το χρησιμοποιείτε για να αλληλεπιδράσουν με το NeuralMoM, η οποία θα είναι εγγενώς σύστημα μάθησης για τα μοντέλα του Νου και σε πραγματικό χρόνο τα δεδομένα της νευροεπιστήμης.

Mental representations for experiments in mapping neuroscience to AI Ψυχική παραστάσεις για τα πειράματα σε χαρτογράφηση της νευροεπιστήμης να AI

Mapping features of reflective computation to natural features Χαρτογράφηση χαρακτηριστικά της ανακλαστικής υπολογισμού στα φυσικά χαρακτηριστικά

Example: Simple Computational Model Παράδειγμα: απλό μοντέλο υπολογιστικής Mendel's Model of Genetics Mendel του Μοντέλου της Γενετικής Run-time causal reflective computation is a field of computer science that allows processes to be watched by other processes as they are running. Run-time αιτιώδη στοχαστική υπολογισμού είναι ένα τομέα της επιστήμης των υπολογιστών που επιτρέπει τις διαδικασίες που πρέπει να παρακολουθείται από άλλες διαδικασίες που βρίσκονται σε εξέλιξη. Understanding natural processes as computational models has proven to be a useful way of seeing and simulating the world around us. Κατανόησης των φυσικών διεργασιών υπολογιστικά μοντέλα, όπως έχει αποδειχθεί να είναι ένας χρήσιμος τρόπος να βλέπουμε και προσομοίωση του κόσμου γύρω μας. If the computational model is simple enough, such as Mendel's binary model of genetic inheritance, it can be simulated within an intelligent human mind, such as Mendel's mind. Αν το υπολογιστικό μοντέλο είναι αρκετά απλή, όπως του Mendel δυαδικό μοντέλο της γενετικής κληρονομιάς, μπορεί να γίνεται προσομοίωση εντός ενός ευφυούς ανθρώπινου μυαλού, όπως το μυαλό του Mendel. However, when the computational processes become complex, such as models of world economies or human minds, they become impossible for humans to mentally simulate without computers. Ωστόσο, όταν οι υπολογιστικές διεργασίες γίνονται πολύπλοκα, όπως τα μοντέλα της παγκόσμιας οικονομίας ή ανθρώπινο μυαλό, θα καταστεί αδύνατο για τους ανθρώπους με νοητική να προσομοιώσουν χωρίς υπολογιστές. Measuring features of the natural process of cognition as evidenced by the human brain have become more numerous recently; these include: fMRI, EEG, MEG, PET, fNIRS, and others. Μέτρηση των χαρακτηριστικών της φυσικής διαδικασίας της γνωστικής λειτουργίας, όπως αποδεικνύεται από τον ανθρώπινο εγκέφαλο έχουν γίνει πιο πολλά πρόσφατα? Αυτές περιλαμβάνουν: fMRI, EEG, MEG, PET, fNIRS, και άλλοι. In addition, secondary external natural features include: EKG, EMG, GSR, and others. Επιπλέον, η δευτερογενής εξωτερικών φυσικών χαρακτηριστικών περιλαμβάνει: EKG, EMG, GSR, και άλλοι. The ability to reflect on causal dependency traces of a computational process allows two things: Η ικανότητά του να προβληματιστούν σχετικά με την αιτιώδη εξάρτηση από ίχνη μια υπολογιστική διαδικασία επιτρέπει σε δύο πράγματα: 1. 1. Begin mapping natural features to and from computational features. Ξεκινήσω τη χαρτογράφηση των φυσικών χαρακτηριστικών και από υπολογιστικές δυνατότητες. 2. 2. Begin designing novel causal reflection models of cognition and learning. Αρχίσουν το σχεδιασμό νέων μοντέλων της αιτιότητας προβληματισμού γνωστική λειτουργία και τη μάθηση. While natural cognitive features are abundant, providing a wealth of natural data, useful computational features have been more illusive. Ενώ το φυσικό γνωστικές λειτουργίες είναι άφθονα, προσφέροντας ένα πλούτο των φυσικών δεδομένων, χρήσιμων υπολογιστικών χαρακτηριστικά έχουν περισσότερες illusive. Examples of the most basic computational features include: (1) memory creation , (2) memory read , and (3) memory write . Παραδείγματα από τις πιο βασικές υπολογιστικές δυνατότητες περιλαμβάνουν: (1) δημιουργία μνήμης, (2) μνήμης διαβάζει, και (3) μνήμης γράψω. Tracing all causal relationships between these basic features allows tracing the context of all other programmer-defined semantic abstractions . Ανίχνευση όλων των αιτιακών σχέσεων μεταξύ αυτών των βασικών χαρακτηριστικών επιτρέπει τον εντοπισμό πλαίσιο όλων των άλλων που ορίζονται από τον προγραμματιστή σημασιολογική λήψεων. All of these computational features create an intricate trace network of dependencies, automatically traceable and shared by many parallel threads of execution. Όλες αυτές οι υπολογιστικές δυνατότητες δημιουργήσει ένα περίπλοκο δίκτυο ίχνος των εξαρτήσεων, αυτόματα ανιχνεύσιμα και μοιράζονται πολλές παράλληλες κλωστές της εκτέλεσης. We are experimenting with a programming language [see: Funk2 Project ] that allows causal tracing to occur modularly to dynamically chosen parts of large consumer-scale software projects. Είμαστε πειραματίζεται με μια γλώσσα προγραμματισμού [βλέπε: Funk2 Project] η οποία επιτρέπει τον εντοπισμό αιτιώδη να παρουσιαστεί modularly να επιλέγεται δυναμικά τμήματα των μεγάλων καταναλωτών κλίμακας έργων λογισμικού. The resulting causal dependency trace networks can be processed by critically causal reflective threads. Η εξάρτηση από το ίχνος που προκύπτει αιτιώδης δίκτυα μπορούν να τύχουν επεξεργασίας από κριτικά αιτιώδη στοχαστική κλωστές. Discovering more useful types of causal reflective threads for cognitive models of human learning in complex nontrivial environments is one of our goals. Η ανακάλυψη πιο χρήσιμα είδη αιτιώδη στοχαστική κλωστές για γνωστικών μοντέλων της ανθρώπινης μάθησης σε περίπλοκα περιβάλλοντα nontrivial είναι ένας από τους στόχους μας. Example: Nontrivial Natural System Παράδειγμα: Nontrivial φυσικό σύστημα Natural Φυσικό Features: Χαρακτηριστικά: fMRI, EEG, MEG, PET, fNIRS, EKG, EMG, GSR, etc. κλπ. Example: Nontrivial Cognitive Architecture Παράδειγμα: Nontrivial γνωστική αρχιτεκτονική Preferentially Ordered Declarative Goal Structures Προτίμηση διέταξε δηλωτική στόχος δομές A dynamic goal structure distributed throughout a network of Μια δυναμική του στόχου που διανέμονται σε όλη δομή ενός δικτύου interconnected parallel problem solving resources. διασυνδεδεμένο παράλληλες επίλυση προβλημάτων πόρων. Imagined Plans: Cooperative Subgoal Collections Φαντάστηκε σχέδια: Συνεταιρισμός Subgoal Συλλογές Collections of sufficient subgoal conditions for comprising modular Συλλογές subgoal επαρκείς όροι για αποτελούμενο από υπομονάδες components of the overall distributed declarative structure. συνιστώσες του συνολικού κατανεμημένη δομή δηλωτική. Memoized Mental Resource Simulators Memoized ψυχική πόρο Εξομοιωτές Each actor's execution can be memoized dependent on goal structure Κάθε ηθοποιός της εκτέλεσης μπορεί να memoized εξαρτώνται από την δομή του στόχου context, which can be used for simulation without external effects. πλαίσιο, το οποίο μπορεί να χρησιμοποιηθεί για την προσομοίωση χωρίς εξωτερικές επιδράσεις. Traceable Compiled Mental Resource Actors Ανιχνεύσιμα καταρτίζονται ψυχική πόρο Ηθοποιοί Each sequential effect of these traceable actor is recorded, such that Κάθε διαδοχική ιχνηλατήσιμη επίδραση των εν λόγω ηθοποιός έχει καταγραφεί, τέτοια ώστε if any error occurs debugging processes can know which parts are responsible. τυχόν σφάλμα παρουσιάζεται debugging διαδικασίες μπορούν να γνωρίζουν ποια μέρη είναι υπεύθυνα. Trusted Compiled Mental Resource Actors Αξιόπιστες καταρτίζονται ψυχική πόρο Ηθοποιοί Repeated successful execution of traceable actors results in the Επαναληπτική επιτυχή εκτέλεση της ανιχνεύσιμες παραγόντων έχει ως αποτέλεσμα την creation of trusted actors—optimized and compiled for efficient execution δημιουργία αξιόπιστων φορέων βελτιστοποιημένη και καταρτίζονται για την αποτελεσματική εκτέλεση PERCEIVE and ACT Αντιλαμβάνονται και ΠΡΑΞΗ Natural biological humans and Φυσικό βιολογικό άνθρωπο και their very complex brains can τους πολύ σύνθετο εγκέφαλοι μπορούν να act within similar behavioral ενεργούν στο πλαίσιο παρόμοιας συμπεριφοράς experiments as human-designed πειράματα, όπως την ανθρώπινη σχεδιασμένη computational models of υπολογιστικών μοντέλων intelligence (AI models). νοημοσύνη (AI μοντέλα). Example: Nontrivial Cognitive Environment Παράδειγμα: Nontrivial γνωστικές περιβάλλον PERCEIVE and ACT Αντιλαμβάνονται και ΠΡΑΞΗ Human-designed computational Ανθρώπινα σχεδιασμένη υπολογιστική models of intelligence (AI μοντέλα της νοημοσύνης (AI models) can interact with μοντέλα) μπορεί να αλληλεπιδράσει με simulated problem προσομοιωμένη πρόβλημα environments of nontrivial περιβάλλοντα nontrivial complexity. πολυπλοκότητα. Many features of natural processes can be measured, but it is currently difficult to correlate these features with complex models. Πολλά χαρακτηριστικά των φυσικών διεργασιών μπορεί να μετρηθεί, αλλά είναι δύσκολο να συσχετιστούν με αυτά τα χαρακτηριστικά πολύπλοκα μοντέλα. Part of the problem of correlating complex natural systems with computational models is that very few features of computational processes are currently capable of being measured. Μέρος του προβλήματος του συσχετισμού πολύπλοκο φυσικό υπολογιστικά συστήματα με τα μοντέλα είναι ότι πολύ λίγες δυνατότητες των υπολογιστικών μεθόδων είναι σήμερα δυνατόν να μετρηθεί. We are writing an experimental programming language [see Funk2 Project ] for the explicit purpose of measuring all causally dependent computational features of the process. Είμαστε μια πειραματική γραφή γλώσσα προγραμματισμού [βλέπε Funk2 Project] για το ρητό σκοπό της μέτρησης αιτιωδώς όλα εξαρτώνται από την υπολογιστική χαρακτηριστικά της διαδικασίας. With these new causal reflective computational techniques, finding more accurate and detailed computational models of natural processes will be closer to a reality because then we will be at a point when we can ask the question: "Which types of computation are good explanations of this natural process?" Με τα νέα αυτά αιτιώδη στοχαστική υπολογιστικές τεχνικές, την εξεύρεση πιο ακριβείς και λεπτομερείς υπολογιστικών μοντέλων των φυσικών διεργασιών θα είναι πιο κοντά στην πραγματικότητα γιατί τότε θα είμαστε σε ένα σημείο που θα μπορούμε να ρωτήσω το εξής ερώτημα: "Ποια είδη του υπολογισμού είναι καλές εξηγήσεις αυτού του φυσικού διαδικασία; " Causal reflective critics help a planner to learn to plan through run-time experience. Αιτιώδης στοχαστική επικριτές βοηθήσει μια planner να μάθουν να προγραμματίζουν μέσω χρόνος εμπειρίας. Cooperative Resource Selector Learners Cooperative Resource Selector εκπαιδευομένων As goals are often pursued and accomplished together Όπως είναι συχνά στόχοι που επιδιώκονται και να καταφέρει μαζί these groups can be recognized and remembered for future αυτές τις ομάδες μπορεί να αναγνωρισθεί και να θυμόμαστε για τις μελλοντικές planning deliberative simulations. σχεδιασμό διαβούλευσης προσομοιώσεις. History Writers Ιστορία Συγγραφέων Patterns in traces can be recognized and compiled into Μοτίβα στα ίχνη μπορεί να αναγνωρισθεί και να καταρτίζονται σε simpler representations for other critics to process. απλούστερη παραστάσεις για άλλους κριτικούς να τη διαδικασία. For Για example, all causal dependencies relevant to accomplish a παράδειγμα, όλες οι σχετικές εξαρτήσεις αιτιώδη να εκτελέσει ένα specific goal can be compiled for quick retrieval later. ειδικών, στόχος που μπορεί να καταρτίζονται για γρήγορη ανάκτηση αργότερα. Conflicting Resource Allocation Learners Αντιφατικές κατανομή των πόρων που μαθαίνουν As conflicts are between groups of goals, these Καθώς οι συγκρούσεις μεταξύ ομάδων στόχων, αυτά τα goals can be learned to be within mutually exclusive στόχοι αυτοί μπορούν να μάθει να είναι εντός αλληλοαποκλείονται allocation sets. κατανομή σύνολα. These MUTEXes can be learned critically Αυτές οι MUTEXes μπορούμε να μάθουμε κριτικά through run-time feedback. μέσω run-time feedback. Resource Conflict Blame Arbiters Resource σύγκρουση κατηγορούν Arbiters If there is a problem attempting to allocate a lower-level Αν υπάρχει κάποιο πρόβλημα προσπαθούν να διαθέσουν ένα χαμηλότερο επίπεδο resource for two independent threads of execution, a critic πόρος για δύο ανεξάρτητες νήματα εκτέλεσης, ένας κριτικός may attempt to discover what two subgoals are to blame μπορεί να επιχειρήσει να ανακαλύψει τι δυο subgoals είναι να κατηγορήσουμε for this unanticipated interaction. για την εν λόγω απρόβλεπτων αλληλεπίδραση. Problem Distribution Balance Learner Πρόβλημα διανομής ισορροπία που μαθαίνει Many resources are limited, forcing the serial execution of Πολλές οι πόροι είναι περιορισμένοι, αναγκάζοντας τη σειριακή εκτέλεση των some goals. κάποιους στόχους. We can recognize that some combinations of Μπορούμε να αναγνωρίσουμε ότι ορισμένοι συνδυασμοί goals are better than others for either optimal resource στόχοι είναι καλύτερα από άλλα, είτε για βέλτιστη πόρο distribution or a minimal time until goal completion. διανομής ή ένα ελάχιστο χρονικό διάστημα μέχρι την ολοκλήρωση του στόχου. Pointless Process Recognizer Άσκοπη διαδικασία αναγνώρισης If there is a process that executes and ultimately has no Αν υπάρχει μια διαδικασία η οποία εκτελεί και τελικά δεν έχει effect toward accomplishing the goals of the system, note ισχύος προς την κατεύθυνση πραγμάτωσης των στόχων του συστήματος, σημειώστε that these processes did not need to be executed in the ότι αυτές οι διεργασίες δεν χρειάζεται να εκτελείται στο first place. πρώτη θέση.

Neural Models of Mind Publications Νευρωνικά Μοντέλα μυαλό Εκδόσεων

Neural Models of Mind Media Presentations Νευρωνικά μοντέλα του νου μέσα ενημέρωσης Παρουσιάσεις

Neural Models of Mind Developers Νευρωνικά Μοντέλα μυαλό προγραμματιστές

λ