57 articoli
Questo lavoro sviluppa una teoria dinamica per il ragionamento sequenziale nelle reti di Hopfield guidate da input, derivando condizioni analitiche per le transizioni di memoria autosostenute e colmando il divario tra i modelli classici di memoria associativa e le moderne architetture di ragionamento.
Il modello proposto, derivato dalla biofisica senza parametri liberi, dimostra che le sinapsi operano a rapporti segnale-rumore che massimizzano l'efficienza informativa (bit per Joule), spiegando con precisione come tale efficienza diminuisca quando la conduttanza sinaptica si discosta dal suo valore naturale.
Questo studio propone le Equilibrium-Informed Neural Networks (EINN), un approccio basato sul deep learning che inverte il processo tradizionale di analisi delle biforcazioni utilizzando stati di equilibrio come input per inferire i parametri del sistema, consentendo così di rilevare in modo efficiente le soglie critiche e i punti di svolta in sistemi dinamici complessi.
Questo studio presenta un approccio sistematico ai "facili problemi" della coscienza, dimostrando come un sistema cognitivo eseguibile, fondato sulla conoscenza concettuale kantiana, possa derivare meccanismi come discriminazione, attenzione e controllo deliberato attraverso l'apprendimento e gli stati emotivi, spiegando anche la differenza tra veglia e sonno.
Il paper presenta INTENSE, un framework open-source basato sull'informazione mutua che rileva e disentangla la selettività neuronale nei dati di imaging del calcio di animali liberi, controllando rigorosamente l'autocorrelazione temporale e la covarianza comportamentale per mappare con precisione le associazioni tra attività neurale e comportamento.
Il paper propone che il consolidamento della memoria non serva solo a stabilizzare le rappresentazioni, ma ottimizzi la generalizzazione attraverso una "dimenticanza predittiva" che comprime selettivamente le informazioni per conservare solo ciò che prevede esiti futuri, un processo iterativo reso necessario dai vincoli di codifica ad alta fedeltà e validato da simulazioni in modelli biologici e linguistici.
Lo studio dimostra che la geometria neurale nell'ippocampo umano organizza le informazioni spaziali in sottospazi ortogonali ma allineabili tramite trasformazioni lineari, permettendo al cervello di generalizzare le regole spaziali tra diversi agenti e direzioni dello sguardo senza confusione.
Questo studio presenta una pipeline computazionale che, analizzando segnali EMG multicanale tramite algoritmi di apprendimento automatico, dimostra la possibilità di decodificare con elevata accuratezza l'intenzione motoria e la direzione del movimento verso 25 bersagli spaziali già nelle fasi precoci di pianificazione ed esecuzione, offrendo così un contributo fondamentale per lo sviluppo di sistemi riabilitativi adattivi e anticipatori.
Il paper presenta DecNefSimulator, un framework modulare e interpretabile basato su modelli generativi che simula il neurofeedback decodificato per analizzare i meccanismi di apprendimento, identificare i fallimenti del protocollo e ottimizzare le strategie di modulazione cerebrale prima della sperimentazione umana.
Questo lavoro presenta un quadro teorico basato sull'informazione che ottimizza la distribuzione degli stimoli sperimentali per massimizzare la capacità di distinguere tra codici neurali probabilistici che rappresentano la funzione di verosimiglianza e quelli che rappresentano la distribuzione a posteriori.
Il paper presenta SemKey, un nuovo framework che supera i limiti delle attuali tecniche di decodifica EEG-testo, come il bias semantico e l'inganno delle metriche BLEU, integrando obiettivi semantici disaccoppiati e un meccanismo di attenzione guidato dai segnali neurali per garantire una generazione di testo fedele e priva di allucinazioni.
Il paper presenta NEURONA, un framework neuro-simbolico che migliora la decodifica dell'attività fMRI e la generalizzazione a query inedite integrando il ragionamento simbolico e le dipendenze strutturali tra concetti.
Questo studio dimostra che l'introduzione di un feedback sinaptico retroattivo nel modello di cervello quantistico Lipkin-Meshkov-Glick modifica sostanzialmente la struttura delle fasi, espandendo la fase paramagnetica e spostando i confini critici, come evidenziato dall'analisi delle distribuzioni di Husimi, dell'entropia di Wehrl e della dinamica mean-field.
Questo studio introduce NeuroFlowNet, un innovativo framework generativo basato su Flussi Normalizzanti Condizionali che ricostruisce per la prima volta segnali EEG intracranici ad alta fedeltà dall'intero lobo temporale profondo utilizzando esclusivamente EEG scalpo, superando i limiti dei metodi tradizionali nella cattura della dinamica cerebrale profonda.
Il documento presenta un transformer potenziato da memoria in cui un meccanismo di cross-talk inibitorio tra banche laterali di memoria induce una specializzazione funzionale, migliorando drasticamente il richiamo associativo rispetto a un cross-talk eccitatorio che causa invece il collasso della dominanza delle banche.
Lo studio dimostra che la vulnerabilità agli esempi avversari deriva da un disallineamento esponenziale tra le varietà percettive delle reti neurali e quelle umane, suggerendo che la robustezza può essere raggiunta solo allineando la dimensionalità di questi spazi concettuali.
Il paper introduce un neurone quadratico integrate-and-fire a due fasi che elimina la divergenza di tensione irrealistica del modello standard mantenendo una descrizione esatta a bassa dimensionalità e waveforms di picco realistiche, rendendolo un sostituto biologicamente plausibile e analiticamente trattabile per i quadri di campo medio esistenti.