modelowanie rozmyte funkcji poznawczych
Transkrypt
modelowanie rozmyte funkcji poznawczych
Instytut Mechaniki i Informatyki Stosowanej Uniwersytet Kazimierza Wielkiego w Bydgoszczy International Conference on Professor Witold Kosiński's Heritage Workshop on Ordered Fuzzy Numbers (WOFN) Modelowanie funkcji poznawczych z wykorzystaniem logiki rozmytej Dariusz Mikołajewski, Piotr Prokopowicz Bydgoszcz, 14 marca 2016r. Modelowanie funkcji poznawczych z wykorzystaniem logiki rozmytej Wprowadzenie „Zrozumienie, jak działa pojedynczy neuron jest niczym – prawdziwe wyzwanie stanowi analiza sieci neuronowej pozyskującej i przetwarzającej całą informację potrzebną do konkretnego działania/zachowania” Gazzaniga MS. Neuroscience and the correct level of explanation for understanding mind. Trends in Cognitive Sciences 2010; 14(7): 297–292. Punkt wyjścia do dalszych rozważań: W badaniach nad układem nerwowym modele obliczeniowe mogą stanowić użyteczny element łączący podstawy teoretyczne oraz badania eksperymentalne. Modelowanie funkcji poznawczych z wykorzystaniem logiki rozmytej Siedem wyzwań dla neuronauk 1. Wielkie zespoły i zasoby do rozwiązywania wielkich problemów. 2. Połączone zbiory danych z różnych dziedzin i podejść (data ladder, causal chain). 3. Efektywne narzędzia predykcyjne i data mining. 4. Nowe oprogramowanie i sprzęt zdolny modelować funkcje mózgu. 5. Nowe sposoby klasyfikowania i modelowania schorzeń. 6. Lepsze technologie inspirowane mózgiem. 7. Większa świadomość społeczna, w tym świadomość szans i zagrożeń, w obszarze neuronauk. Markram H. Seven challenges for neuroscience. Funct Neurol. 2013; 28(3):145-51. Modelowanie funkcji poznawczych z wykorzystaniem logiki rozmytej Problemy badawcze Brak pełnego zrozumienia mechanizmów i ich współdziałania Różnorodna etiologia schorzeń Wiele różnych teorii kontra paradygmat EBM Problem „data rich and theory poor” – brak teorii wyjaśniających omawiane procesy kompleksowo, z wystarczającą mocą predykcyjną Brak dobrych modeli obliczeniowych łączących różne poziomy analizy: geny białka neurony aktywacja obszarów mózgu funkcje poznawcze zachowanie Modelowanie funkcji poznawczych z wykorzystaniem logiki rozmytej Zalety Tańsze i szybsze testowanie hipotez, również tych trudnych do przeprowadzenia w rzeczywistym świecie (np. z przyczyn medycznych, technicznych, prawnych, etycznych itp.) Dają ogólną wizję działania oraz możliwość skalowania w stronę rozwiązań coraz bardziej szczegółowych lub częściowych Pozwalają badać wyizolowane mechanizmy Upraszczają mechanizmy zbyt złożone do modelowania bezpośredniego (np. twór/układ siatkowaty) Możliwość modelowania uszkodzeń, w tym wyizolowanych Modelowanie funkcji poznawczych z wykorzystaniem logiki rozmytej Ograniczenia Modele uniwersalne są zwykle zbyt ogólne, a modele zbyt szczegółowe – mało elastyczne Modelowanie bez skalowania - niemożliwe ze względu na złożoność Konieczność precyzyjnego określenia celu – modele zwykle odpowiadają tylko na konkretnie postawione wcześniej pytania (w odróżnieniu od pacjenta) Konieczność zapewnienia odpowiednich sygnałów oraz poziomów przetwarzania wymaganych dla konkretnej funkcji (np. poznawczej) W przypadku braku wiedzy – konieczność zapewnienia realistycznych hipotez Lęki: mózg w maszynie, brain enhancement: człowiek 2.0 (pierwszy cyborg już jest). Modelowanie funkcji poznawczych z wykorzystaniem logiki rozmytej Możliwości Modele układu nerwowego Modele globalne ciągłe dyskretne Modele populacyjne pojedynczych populacji Modele dystrybuowane przedziałowe punktowe grup populacji Poziomy: koncepcyjny i systemowy Szczegółowość modeli wzrasta Dlaczego to robimy: - fundamentalne pytanie o naturę umysłu, w tym koneksjonizm kontra funkcjonalizm, - wyzwanie: skalowalne, trudne do wyodrębnienia mechanizmy, - funkcjonowanie fizjologiczne i patologiczne (deficyty neurologiczne, choroby umysłowe), - efektywniejsze metody terapeutyczne. Modelowanie funkcji poznawczych z wykorzystaniem logiki rozmytej Nasza droga w stronę wielopoziomowego modelu przetwarzania pień mózgu obszary podkorowe - kora mózgu modelowanie funkcji pnia mózgu i zaburzeń przytomności (D. Mikołajewski) neurocybernetyczne modelowanie biologicznie wierne - Emergent, Genesis, Neuron (G. M. Wójcik - II UMCS, D. Mikołajewski) modelowanie rozmyte funkcji poznawczych (D. Mikołajewski, P. Prokopowicz) modelowanie równoległe funkcji poznawczych - superkomputer TRYTON (W. Duch, D. Mikołajewski - LNK ICNT UMK, J. Szymański PG) modelowanie sterowania ruchem (D. Mikołajewski, E. Mikołajewska CM UMK) modelowanie neuroplastyczności poudarowej - sieci samoorganizujące się (D. Mikołajewski, E. Mikołajewska - CM UMK) modelowanie problemów neurorozwojowych: ASD, ADHD (W. Duch, K. Dobosz, G. M. Wójcik, D. Mikołajewski) Modelowanie funkcji poznawczych z wykorzystaniem logiki rozmytej Modelowanie kory mózgu Krok milowy: R. O’Reilly, Y. Munakata CECN, MIT 2000. Modele funkcji poznawczych (kognitywnych) z możliwością dokonywania selektywnych uszkodzeń (lezji). Modelowanie funkcji poznawczych z wykorzystaniem logiki rozmytej Modelowanie pnia mózgu Model oparty na polu komutacyjnym Model zaburzeń świadomości Model neurofizjologiczny Modelowanie funkcji poznawczych z wykorzystaniem logiki rozmytej Wybrane metody analizy MultiDimensional Scaling (MDS) Recurrency Plot (RP) Różne miary integracji informacji w sieci (szczególnie w warstwie ukrytej) Modelowanie funkcji poznawczych z wykorzystaniem logiki rozmytej Kaskadowe systemy rozmyte Dotychczas przedstawione rozwiązania nie spełniają wszystkich wymagań, a są pracochłonne i trudne w opisie i wnioskowaniu. Systemy rozmyte mogą zapewnić nowe, dokładniejsze i efektywniejsze sposoby odzwierciedlenia funkcjonowania układu nerwowego., podobnie jak sprawdziły się w rozpoznawaniu obiektów i lingwistyce. Wysoki stopień złożoności procesów poznawczych oraz ich rozłożenie w postaci wielu procesów niższego rzędu (porównywalnych z modelowaniem wieloagentowym) powoduje, że proponowanym rozwiązaniem są kaskadowe systemy rozmyte. Modelowanie funkcji poznawczych z wykorzystaniem logiki rozmytej Kaskadowe systemy rozmyte - koncepcja Modelowanie funkcji poznawczych z wykorzystaniem logiki rozmytej Kaskadowe systemy rozmyte - wyniki Dotychczasowe badania wskazują na przydatność ww. rozwiązań, szczególnie w rozwiązaniach wskazanych na kolejnych slajdach. Zasadnicze zalety: - łatwa adaptacja, - większa czytelność modelu, - skrócenie czasu obliczeń wskutek uproszczenia niektórych algorytmów, - uniknięcie procedur trudnych w bezpośredniej implementacji (jak kWTA), Wady: - złożoność obliczeniowa, - konieczność znajomości i opracowania zasad łączenia obu rozwiązań przez projektantów systemów: podejścia tradycyjnego i podejścia rozmytego. Modelowanie funkcji poznawczych z wykorzystaniem logiki rozmytej Co dalej? 1. Zastosowanie Liczb Rozmytych Kosińskiego w procesach, które zachodzą ze zmienną lub zróżnicowaną szybkością w tych samych obszarach OUN: - udar (niedokrwienny, krwotoczny) zachodzi szybko, natomiast diaschiza (cofnięcie się pozornego wyłączenia funkcji), neuroplastyczność i zmiany zwiazane z neurorehabilitacją zachodza wolno, - zmiany związane z generacją przytomności (fizjologiczne: sen, patologiczne: zaburzenia świadomości takie jak stan wegetatywny, stan minimalnej świadomości czy zespół zamknięcia) 2. Jednoliczbowe miary poziomu przytomności, alternatywne dla obecnych. 3. Rozmyte modelowanie procesów kontekstowych powiązań poznanie-emocje (Okon-Singer H, Hendler T, Pessoa L, Shackman AJ. The neurobiology of emotion-cognition interactions: fundamental questions and strategies for future research. Front Hum Neurosci. 2015; 9:58) 4. Intuicyjne systemy wsparcia podejmowania decyzji minimalizujące ryzyko czy intuicji można nauczyć? (Reyna VF, Weldon RB, McCormick M. Educating Intuition: Reducing Risky Decisions Using Fuzzy-Trace Theory. Curr Dir Psychol Sci. 2015; 24(5):392-398.) Modelowanie funkcji poznawczych z wykorzystaniem logiki rozmytej Dziękuję za uwagę