MARC

 008250123s2024        us                              c    eng  d
■001000017164104
■00520250211152832
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346571759
■035    ▼a(MiAaPQ)AAI31560638
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a616
■1001  ▼aLi,  Chenguang.▼0(orcid)0000-0003-2884-6414
■24510▼aAdding  to  and  Building  Up  Very  Small  Nervous  Systems
■260    ▼a[Sl]▼bHarvard  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a187  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-05,  Section:  B.
■500    ▼aAdvisor:  Kreiman,  Gabriel;Ramanathan,  Sharad.
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2024.
■520    ▼aThis  dissertation  asks  and  tries  to  answer  two  questions:  first,  how  might  one  add  to  the  living  nervous  system  of  a  small  animal  using  artificial  methods?  Second,  how  might  one  design  an  algorithm  that  reproduces  some  of  the  hallmark  characteristics  of  natural  intelligence,  many  of  which  are  still  missing  from  current  artificial  neural  networks?To  address  the  first  question,  we  present  an  approach  that  integrates  deep  reinforcement  learning  agents  with  the  nervous  system  of  the  model  organism  Caenorhabditis  elegans,  a  nematode  with  302  neurons.  We  integrate  the  artificial  and  biological  networks  using  optogenetics,  and  design  our  artificial  agent  to  navigate  animals  to  given  targets.  We  find  that  agents  can  learn  appropriate  strategies  for  different  sets  of  neurons,  even  when  neuronal  roles  in  behavior  are  very  different  from  each  other.  We  show  several  possible  applications  of  the  reinforcement  learning  (RL)-C.  elegans  system,  including  mapping  out  neural  policies  that  are  sufficient  to  drive  target  behaviors,  studying  the  behavior  of  RL  agents  in  biologically  relevant  environments,  and  accomplishing  goals  that  utilize  the  strengths  of  both  artificial  and  biological  intelligences.To  answer  the  second  question,  we  consider  the  view  of  nervous  systems  that  model  behaviors  and  computations  as  emergent  properties  of  many  small  interacting  components.  We  combine  this  emergent  view  with  three  other  strongly  supported  features  of  all  nervous  systems:  that  neural  functions  heavily  rely  on  predictive  principles,  that  neurons  are  noisy,  and  that  many  diverse  and  fundamental  computations  in  the  brain  are  implemented  via  attractor  dynamics.  The  resultant  model  uses  only  local  prediction  and  noise  updates,  and  yet  can  seek  out  and  optimize  reward,  balance  exploration  and  exploitation,  and  adapt  to  dramatic  changes  in  architectures  or  environments.  When  networks  have  a  choice  between  different  tasks,  they  can  form  preferences  that  depend  on  patterns  of  noise  and  initialization,  and  we  show  that  these  preferences  can  be  biased  by  network  architectures  or  by  changing  learning  rates.  Our  algorithm  presents  a  flexible,  biologically  plausible  way  of  interacting  with  environments  without  requiring  an  explicit  environmental  reward  function,  allowing  for  behavior  that  is  both  highly  adaptable  and  autonomous.
■590    ▼aSchool  code:  0084.
■650  4▼aNeurosciences
■650  4▼aGenetics
■650  4▼aBiophysics
■653    ▼aCaenorhabditis  elegans
■653    ▼aEmergence
■653    ▼aIntelligence
■653    ▼aNeural  networks
■653    ▼aReinforcement  learning
■690    ▼a0317
■690    ▼a0800
■690    ▼a0786
■690    ▼a0369
■71020▼aHarvard  University▼bBiophysics.
■7730  ▼tDissertations  Abstracts  International▼g86-05B.
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164104▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서