Download fisica2byg_08
Document related concepts
Transcript
En busca del umbral perdido 1 200 150 20 segundos! 100 50 %Correcto 0.95 0.9 0.85 0.8 0.75 0.7 0 0 10 20 30 0.65 1 2 3 4 Tiempo 5 umbral conservador umbral arriesgado RT menor Errores mayor El subterráneo de una decisión. Neuronas del presente y del pasado y otras que dicen basta ya. El maestro: Alan Turing Enigma Implementación neuronal de los tres pasos: 1) Un método para cuantificar el peso de la evidencia de un evento individual a favor de distintas alternativas. (EL VOTO) 2) Un método para acumular y actualizar el peso proveniente de eventos múltiples. (LA ACUMULACION DE VOTOS) 3) Una regla de decisión para determinar si la evidencia era suficiente para determinar la hipótesis mas probable. (LA RESOLUCION) “Las neuronas que integran o acumulan el voto” “Las neuronas que determinan el umbral” “Las neuronas que votan” La neurofisiología de la toma de decisiones Simulacro en el laboratorio de la toma de decisiones en un mundo incierto. Mov = 6±ε 6 ±ε Acum = 6 12 2 6 ±ε 18 3 6 ±ε 24 4 ε cuantifica las fluctuaciones y por lo tanto disminuye con el numero de partículas Mov = 11 11 11 11 Acum = 11 22 33 44 Mov = 6±ε 6 ±ε Acum = 6 12 2 6 ±ε 18 3 6 ±ε 24 4 “Las neuronas que votan” Neuronas en MT Un clásico de la fisiología Primer ensayo (cada punto representa un disparo) Décimo ensayo (el estimulo es el mismo, la respuesta ligeramente variable) Potenciales de acción (intensidad de la repuesta neuronal) tiempo Neuronas que codifican la cantidad y dirección de movimiento Estas neuronas pueden dar un voto en favor de una decisión. La magnitud del “voto” es proporcional a la cantidad de movimiento. Neuronas en MT Un clásico de la fisiología Cada línea es un ensayo. Las respuestas de las neuronas son ruidosas y por lo tanto hay que promediarlas. El experimentador hace esto midiendo muchas veces. Y un sujeto decidiendo: ¿Como resuelve el ruido? Promedio Flucutuaciones Potenciales de acción (intensidad de la repuesta neuronal) tiempo Neuronas que codifican la cantidad y dirección de movimiento Estas neuronas pueden dar un voto en favor de una decisión. La magnitud del “voto” es proporcional a la cantidad de movimiento. Neuronas en MT Un clásico de la fisiología Las neuronas responden gradualmente a la cantidad de movimiento. Dan un voto “graduado”. Neuronas de derecha. Neuronas de izquierda (no responden al movimiento a la derecha) Neuronas que codifican la cantidad y dirección de movimiento Estas neuronas pueden dar un voto en favor de una decisión. La magnitud del “voto” es proporcional a la cantidad de movimiento. Neuronas en MT Un clásico de la fisiología En cada momento estas neuronas reportan el estado del presente perceptual Un codificador de movimiento provee el sustrato necesario para decidir hacia donde se mueven los puntos ¿Falta algo? “Las neuronas que integran o acumulan el voto” EL ACUMULADOR: Conteo de todos los votos en el tiempo. Como los votos son ruidosos, esto resulta en un random walk. Neuronas en LIP Integracion ruidosa: Un random-walk forzado integra (promedia en el tiempo) la evidencia provista por las neuronas de MT Estimulo Respuesta Cuando se llega a suficiente evidencia ¿cuánto es suficiente? Se ejecuta la decisión. EL ACUMULADOR: Conteo de todos los votos en el tiempo. Como los votos son ruidosos, esto resulta en un random walk. Neuronas en LIP El proveedor y el acumulador de votos. ¿Hasta cuando acumulan? Un Random Walk forzado. La pendiente indica el forzado y es proporcional a la coherencia. Cuanto mayor la pendiente, se llega antes al umbral y el tiempo de respuesta es menor. El estimulo, luego de una latencia, empiezan a acumular. EL ACUMULADOR: Conteo de todos los votos en el tiempo. Como los votos son ruidosos, esto resulta en un random walk. Neuronas en LIP Un Random Walk forzado. La pendiente indica el forzado y es proporcional a la coherencia. Cuanto mayor la pendiente, se llega antes al umbral y el tiempo de respuesta es menor. dt t ( )dt t El estimulo, luego de una latencia, empiezan a acumular. t Respuestas agrupadas en el momento de la respuesta. Todas las respuestas se realizan cuando el integrado neuronal llega al umbral. Existe de hecho otro circuito que responde en el momento que el integrador alcanza el umbral, lanzando la respuesta. Para aquel entonces –pese a que uno no lo supiese – la decision estaba tomada. Puede de hecho manipularse una decisión. ¿Se puede hackear el codigo? Poniendo a prueba la teoría: ¿Se puede forzar una decisión estimulando una neurona? Estimulo en MT – Es “como si” cambiase la evidencia con que se nutre al random walk. Como si el detector de movimiento detectase mayor coherencia. Resultado: Aumenta la pendiente. Poniendo a prueba la teoría: ¿Se puede forzar una decisión estimulando una neurona? Estimulo en LIP – Es “como si” hubise salido, en un instante de tiempo, una moneda a fovr de una decisión. Resultado: Aumenta una constante random walks de probabilidades, random walks de células T, random walks de moléculas en solución, random walks de acciones y subastas, random walks de arenas y partículas sedimentadas, ¿mais que? random walks de palabras, pensamientos. El sueño: ¿tiene orden? El tiempo como metafora del movimiento Nos acercamos al final del cuatrimestre. Se nos vienen las vacaciones. EL FUTURO ESTA DELANTE Y EL PASADO DETRAS ¿o no? Nuñez & Sweetser 2006 Universales no tan universales “El tiempo antes” In Aymara, the basic word for FRONT (nayra, “eye/front/sight”) is also a basic expression meaning PAST, and the basic word for BACK (qhipa, “back/behind”) is a basic expression for FUTURE meaning. Nuñez & Sweetser 2006 Jugando a Jung, a la manera de Jung Neurotaller , Cordoba, Argentina 2007 La traza de una memoria, la forma del espacio de significados a partir de las trayectorias Intuición de la métrica: Signficicados que aparecen juntos (en texto, en la web, en el discurso) están relacionados Coche (in google): 1.410.000.000 Rueda (in google): 200.000.000 Coche (in google): 1.410.000.000 Física (in google): 182.000.000 Coche Y Rueda 2.000.000 Coche Y Física 400.000 Pcond – 1% Pcond – 0.2% Demostracion de que Maradona esta mas cerca de DIOS que Pele. Maradona (in google): 12,600,000 Dios (in google): 82,400,000 Pele (in google): 23,700,000 Dios (in google): 82,400,000 Dios AND Maradona 1.000.000 Dios AND Pele 500.000 Pcond – 0.1 Pcond – 0.02 http://www.diosmaradona.com.ar/ Frente a la evidencia … tres barrios del espacio de palabras teclado monitor tecla computadora boton dedo brazo cuello durazno naranja manzana cabeza ojo nariz mano cara amanecer quimica fisica pies luz electricidad noche nucleo sol planeta luna estrella tecnologia ciencia atomo molecula astronomia tierra cielo informatica electron proton marte banana pera aji zanahoria tomate lechuga La traza de una memoria, la forma del espacio de significados a partir de las trayectorias Understanding the dynamics of movement, the trace of the memory 160 “La distancia media entre dos palabras al azar” 150 140 “La traza de un pensamiento” (difusion acotada) 130 120 110 100 90 0 5 10 15 20 25 “Los ciclos” Random-walking en el grafo semantico: La estructura de las trayectorias de asociaciones libres Si estoy en la palabra roja - ¿A Cual voy? Posibilidad I: A cualquiera. El sueño de Crick (Francis) alimentado por el ruido. ¿Como son los saltos de las asociaciones libres en el espacio de palabras? ¿Que forma tienen las asociaciones espontaneas, bizarras, los sueños? Posibilidad II: A las mas cercanas (saltos determinista, con cierto ruido). Posibilidad III: Compulsivo. Determinismo total. Salto a la mas cercana. Ruido (Temperatrua) p Understanding the navigation rules in the semantic graph Compulsivo… (a) (b) 1 150 0.8 100 0.6 0.4 50 0.2 0 0 5 10 15 20 25 Distancias se mantienen pequeñas (no difunde) 0 0 5 10 15 20 Ciclo, ciclos 25 Understanding the navigation rules in the semantic graph El sueño de Crick – todo al azar. (a) (b) 1 150 0.8 100 0.6 0.4 50 0.2 0 0 5 10 15 20 25 Perdida inmediata de memoria 0 0 5 10 15 20 25 No hay ciclos (probabilidad de volver a la misma palabra es casi cero) Understanding the navigation rules in the semantic graph Modelo 3 Modelo 3 160 0.2 140 0.15 120 0.1 0.05 Una ventana visible de las 7 palabras mas cercanas 100 80 0 5 10 15 20 25 0 0.2 140 0.15 120 0.1 100 0.05 5 10 15 20 25 10 15 20 25 15 20 25 Modelo 2 160 0 5 N=7 Modelo 2 80 0 0 0 5 10 Modelo 1 Modelo 1 Dinamica correcta de Prediccion correcta 160 0.2 la perdida de de la estructura de 140 0.15 memoria ciclos 120 0.1 Diffusion (Random Walk) Levy Flights diffusing with short-cuts, i.e. in a small world 0.18 0.16 0.14 Levy-flights are the best description of free word associations 0.12 0.1 0.08 0.06 0.04 0.02 0 0 5 10 15 20 25 Jugando el juego con robots de Levy-Flight (no patentables)