@misc{10481/89202,
year = {2024},
url = {https://hdl.handle.net/10481/89202},
abstract = {En esta tesis se combinan tres enfoques diferentes para el estudio de la
dinámica de las redes neuronales y sus representaciones internas: un enfoque
computacional, basado en características biológicas básicas de las neuronas
y sus redes para construir modelos efectivos que puedan simular su estructura
y dinámica; un enfoque desde la inteligencia artificial, en paralelo con
las capacidades funcionales de las redes cerebrales, permitiéndonos inferir
las propiedades dinámicas requeridas para resolver ciertas tareas involucradas
en el procesamiento de inputs externos; y un tratamiento teórico,
bajo la hipótesis del cerebro “crítico” como base matemática para explicar
las propiedades colectivas emergentes que surgen de las interacciones de
millones de neuronas.
De la mano de la Física, nos aventuraremos en el reino de la neurociencia
para explicar la existencia de propiedades invariantes de escala que son
cuasi-universales entre diferentes regiones cerebrales, buscando cuantificar
cuan lejos se encuentre la dinámica de estas últimas de un punto crítico.
Luego pasaremos al terreno de la inteligencia artificial, donde la misma
teoría de fenómenos críticos resultará muy útil para explicar los efectos de
reglas de plasticidad neuronal en la capacidad de predicción de algoritmos
tipo Reservoir Computing. A mitad de camino en nuestro viaje, introducimos
el concepto de representaciones neuronales de estímulos externos,
revelando un sorprendente vínculo entre el régimen dinámico de las redes
neuronales y las propiedades topológicas que deben presentar estas representaciones
para ser óptimas. La tesis culmina con el singular problema
de la deriva representacional, un fenómeno observado recientemente en el
proceso de codificación de olores por parte de la corteza olfativa, analizando
los posibles mecanismos de plasticidad sináptica que podrían explicar dicho
fenómeno.},
abstract = {In this thesis, we will combine three different approaches to the study
of the dynamics of neural networks and their encoding representations: a
computational approach, that builds upon basic biological features of neurons
and their networks to construct effective models that can simulate
their structure and dynamics; a machine-learning approach, which draws a
parallel with the functional capabilities of brain networks, allowing us to
infer the dynamical and encoding properties required to solve certain inputprocessing
tasks; and a final, theoretical treatment, which will take us into
the fascinating hypothesis of the “critical” brain as the mathematical foundation
that can explain the emergent collective properties arising from the
interactions of millions of neurons.
Hand in hand with Physics, we will adventure into the realm of neuroscience
to explain the existence of quasi-universal scaling properties across
brain regions, setting to quantify the distance of their dynamics from a critical
point. We will them move into the grounds of artificial intelligence,
where the very same theory of critical phenomena will prove very useful to
explain the effects of biologically-inspired plasticity rules in the prediction
ability of Reservoir Computers. Half-way into our journey, we introduce
the concept of neural representations of external stimuli, unveiling a surprising
link between the dynamical regime of neural networks and the optimal
topological properties of these representation manifolds. The thesis
ends with the singular problem of representational drift in the encoding of
odors by the olfactory cortex, uncovering the potential synaptic plasticity
mechanisms that could explain this recently observed phenomenon.},
organization = {Tesis Univ. Granada.},
publisher = {Universidad de Granada},
keywords = {Machine learning},
keywords = {Aprendizaje automático (Inteligencia artificial)},
keywords = {Neural networks (Computer science)},
keywords = {Redes neuronales (Neurobiología)},
keywords = {Redes neuronales (Informática)},
keywords = {Brain},
keywords = {Cerebro},
keywords = {Criticality hypothesis},
keywords = {Neurociencia},
keywords = {Neuroscience},
keywords = {Physics},
keywords = {Física},
keywords = {Reservoir computing},
title = {The dynamics of neural codes in biological and artificial neural networks : from criticality to machine learning and drifting representations},
author = {Barrios Morales, Guillermo Gabriel},
}