MARC

 008250123s2024        us                              c    eng  d
■001000017163570
■00520250211152725
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383695739
■035    ▼a(MiAaPQ)AAI31490153
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aMitropolsky,  Daniel.
■24510▼aTowards  a  Computational  Theory  of  the  Brain:  The  Simplest  Neural  Models,  and  a  Hypothesis  for  Language
■260    ▼a[Sl]▼bColumbia  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a132  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-02,  Section:  B.
■500    ▼aAdvisor:  Papadimitriou,  Christos.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2024.
■520    ▼aObtaining  a  computational  understanding  of  the  brain  is  one  of  the  most  important  problems  in  basic  science.  However,  the  brain  is  an  incredibly  complex  organ,  and  neurobiological  research  has  uncovered  enormous  amounts  of  detail  at  almost  every  level  of  analysis  (the  synapse,  the  neuron,  other  brain  cells,  brain  circuits,  areas,  and  so  on);  it  is  unclear  which  of  these  details  are  conceptually  significant  to  the  basic  way  in  which  the  brain  computes.  An  essential  approach  to  the  eventual  resolution  of  this  problem  is  the  definition  and  study  of  theoretical  computational  models,  based  on  varying  abstractions  and  inclusions  of  such  details.  This  thesis  defines  and  studies  a  family  of  models,  called  NEMO,  based  on  a  particular  set  of  well-established  facts  or  well-founded  assumptions  in  neuroscience:  atomic  neural  firing,  random  connectivity,  inhibition  as  a  local  dynamic  firing  threshold,  and  fully  local  plasticity.  This  thesis  asks:  what  sort  of  algorithms  are  possible  in  these  computational  models?  To  the  extent  possible,  what  seem  to  be  the  simplest  assumptions  where  interesting  computation  becomes  possible?  Additionally,  can  we  find  algorithms  for  cognitive  phenomena  that,  in  addition  to  serving  as  a  "proof  of  capacity"  of  the  computational  model,  otherwise  reflect  what  is  known  about  these  processes  in  the  brain?  The  major  contributions  of  this  thesis  include:1.  The  formal  definition  of  the  basic-NEMO  and  NEMO  models,  with  an  explication  of  their  neurobiological  underpinnings  (that  is,  realism  as  abstractions  of  the  brain).2.  Algorithms  for  the  creation  of  neural  assemblies,  or  highly  dense  interconnected  subsets  of  neurons,  and  various  operations  manipulating  such  assemblies,  including  reciprocal  projection,  merge,  association,  disassociation,  and  pattern  completion,  all  in  the  basic-NEMO  model.  Using  these  operations,  we  show  the  Turing-completeness  of  the  NEMO  model  (with  some  specific  additional  assumptions).3.  An  algorithm  for  parsing  a  small  but  non-trivial  subset  of  English  and  Russian  (and  more  generally  any  regular  language)  in  the  NEMO  model,  with  meta-features  of  the  algorithm  broadly  in  line  with  what  is  known  about  language  in  the  brain.4.  An  algorithm  for  parsing  a  much  larger  subset  of  English  (and  other  languages),  in  particular  handling  dependent  (embedded)  clauses,  in  the  NEMO  model  with  some  additional  memory  assumptions.  We  prove  that  an  abstraction  of  this  algorithm  yields  a  new  characterization  of  the  context-free  languages.5.  Algorithms  for  the  blocks-world  planning  task,  which  involves  outputting  a  sequence  of  steps  to  rearrange  a  stack  of  cubes  in  one  order  into  another  target  order,  in  the  NEMO  model.  A  side  consequence  of  this  work  is  an  algorithm  for  a  chaining  operation  in  basic-NEMO.6.  Algorithms  for  several  of  the  most  basic  and  initial  steps  in  language  acquisition  in  the  baby  brain.  This  includes  an  algorithm  for  the  learning  of  the  simplest,  concrete  nouns  and  action  verbs  (words  like  "cat"  and  "jump")  from  whole  sentences  in  basic-NEMO  with  a  novel  representation  of  word  and  contextual  inputs.  Extending  the  same  model,  we  present  an  algorithm  for  an  elementary  component  of  syntax,  namely  learning  the  word  order  of  2-constituent  intransitive  and  3-constituent  transitive  sentences.  These  algorithms  are  very  broadly  in  line  with  what  is  known  about  language  in  the  brain.
■590    ▼aSchool  code:  0054.
■650  4▼aComputer  science
■650  4▼aNeurosciences
■650  4▼aInformation  technology
■653    ▼aAssemblies
■653    ▼aComputational  neuroscience
■653    ▼aAlgorithm
■653    ▼aBrain
■653    ▼aNeural  models
■653    ▼aParsing
■690    ▼a0984
■690    ▼a0317
■690    ▼a0489
■71020▼aColumbia  University▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g86-02B.
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163570▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books