57 artigos
Este trabalho desenvolve uma teoria dinâmica para o raciocínio sequencial em redes de Hopfield alimentadas por entrada, derivando condições explícitas para transições de memória sustentadas e fornecendo uma fundamentação matemática que conecta a dinâmica clássica de memória associativa às modernas arquiteturas de raciocínio.
Este artigo demonstra que a eficiência informacional das sinapses, medida em bits por Joule, é maximizada em seus valores naturais de condutância e prevê com precisão a queda dessa eficiência quando há desvios, graças a um modelo derivado da biofísica sem parâmetros livres que integra limites de energia mínima e a teoria da informação de Shannon.
Este estudo propõe o uso de Redes Neurais Equilibradas (EINNs) para detectar de forma eficiente limiares críticos e transições abruptas em sistemas dinâmicos complexos, invertendo o processo tradicional ao inferir parâmetros a partir de estados de equilíbrio candidatos.
Este estudo apresenta uma abordagem sistemática para resolver os "problemas fáceis" da consciência utilizando um sistema cognitivo executável baseado na teoria kantiana, demonstrando como mecanismos computacionais de aprendizado, controle emocional e manipulação de informações podem explicar capacidades como discriminação, atenção e a diferença entre vigília e sono.
O artigo apresenta o INTENSE, um framework de código aberto baseado em teoria da informação que detecta e desentrelaça a seletividade neuronal em dados de imagem de cálcio de animais em comportamento livre, controlando rigorosamente a estrutura temporal e a covariância comportamental para mapear com precisão como os neurônios codificam múltiplas variáveis ambientais.
Este artigo propõe que a consolidação da memória atua como um mecanismo de "esquecimento preditivo" que, ao comprimir iterativamente as representações neurais offline para reter apenas informações que preveem resultados futuros, otimiza a generalização e resolve limitações teóricas sobre a estabilidade e o drift representacional.
O estudo demonstra que o hipocampo humano codifica as posições do eu, de outros agentes e do olhar em subespaços neurais geometricamente relacionados, permitindo que regras de aprendizado espacial sejam generalizadas e alinhadas flexivelmente entre diferentes agentes e perspectivas.
Este estudo apresenta um pipeline computacional que utiliza sinais de eletromiografia (EMG) e algoritmos de aprendizado de máquina para prever com alta precisão a intenção motora e a localização de alvos espaciais antes do início do movimento, demonstrando o potencial dessa abordagem para melhorar a responsividade e a reabilitação ativa em sistemas assistivos.
O artigo apresenta o DecNefSimulator, um framework de simulação modular e interpretável que utiliza modelos generativos para formalizar o neurofeedback decodificado como um problema de aprendizado de máquina, permitindo a análise de suas dinâmicas e o design otimizado de protocolos antes da implementação em humanos.
Este trabalho apresenta um quadro teórico baseado na teoria da informação para otimizar o desenho experimental e distinguir entre códigos neurais probabilísticos que codificam a função de verossimilhança versus a distribuição posterior, maximizando a "lacuna de informação" para identificar como o cérebro representa a incerteza sensorial.
O artigo apresenta o SemKey, um novo framework que supera as limitações atuais na decodificação de EEG para texto ao alinhar a geração com os sinais neurais através de objetivos semânticos desacoplados e prompts estruturados, eliminando alucinações e oferecendo métricas de avaliação mais robustas que o BLEU.
O artigo apresenta o NEURONA, um framework neuro-simbólico que melhora a precisão e a generalização na decodificação de conceitos a partir de dados de fMRI ao integrar raciocínio simbólico e execução composicional com fundamentação neural.
Este trabalho demonstra que a inclusão de um mecanismo de retroalimentação sináptica no modelo de cérebro quântico Lipkin-Meshkov-Glick remodela significativamente a estrutura de fases, expandindo a fase paramagnética e deslocando as fronteiras críticas, o que é caracterizado tanto por distribuições de fase quântica quanto por uma dinâmica de campo médio que valida a capacidade do modelo de ajustar a criticidade coletiva.
Este artigo apresenta o NeuroFlowNet, um novo framework generativo baseado em Fluxo Normalizador Condicional que, pela primeira vez, reconstrói com alta fidelidade sinais de eletroencefalografia intracraniana (iEEG) de todo o lobo temporal profundo a partir de sinais de eletroencefalografia de superfície (sEEG), superando as limitações de métodos tradicionais ao capturar a aleatoriedade e as dependências de longo prazo dos sinais cerebrais.
O artigo apresenta um transformador com memória aumentada que, ao empregar um acoplamento cruzado inibitório entre bancos de memória laterais, permite a especialização funcional necessária para o recall episódico, superando significativamente os modelos com acoplamento excitatório em tarefas que exigem associação.
O artigo demonstra que a existência de exemplos adversariais e a falta de robustez em redes neurais decorrem de um desalinhamento exponencial entre as dimensões das variedades perceptivas das máquinas e as dos conceitos humanos, sugerindo que a verdadeira robustez só é alcançável quando essas dimensões são alinhadas.
Este artigo apresenta um modelo de neurônio quadratic integrate-and-fire (QIF) de duas fases com limites de tensão finitos que elimina a divergência não física do modelo padrão, mantendo ao mesmo tempo uma descrição exata de baixa dimensão no limite termodinâmico e permitindo uma análise analítica tratabil de quantidades coletivas.