Formação de assembleias neurais artificiais com o processo E%-winners-take-all

Abstract

Segundo a teoria de Donald O. Hebb, assembleias neurais são definidas como grupos de neurônios excitatórios que apresentam disparos sincronizados e alta densidade sináptica. Para Hebb, esses conjuntos seriam responsáveis por representar algum estímulo sensorial externo ou, até mesmo, por gerar funções cognitivas complexas, como a tomada de decisão e a linguagem. Baseando-se nessa teoria, um modelo chamado álgebra de assembleias foi recentemente proposto, tendo como peça central esses grupos de neurônios. Munido de algumas operações e do processo de seleção k-winners-take-all, o modelo permite a criação de assembleias neurais por meio de sucessivos disparos de estímulos artificiais externos e do ajuste dos pesos sinápticos da rede por meio do aprendizado hebbiano. Embora o modelo proposto consiga criar assembleias neurais conforme a teoria de Hebb, o processo de seleção utilizado não captura aspectos fundamentais da computação neural, tornando o processo de representação de um estímulo na rede ineficiente. Tendo em vista esse problema, o projeto aqui desenvolvido teve como objetivo tornar a dinâmica do modelo mais próxima daquelas presentes em redes corticais. Para isso, foi implementado um processo de seleção baseado na dinâmica dos ciclos das oscilações gama, juntamente com um mecanismo de inibição associado `a proporção de neurônios excitatórios e inibitórios presente no córtex cerebral. Após a aplicação, os resultados referentes `as características desses grupos neurais no modelo adaptado foram comparados com os do modelo original. Observou-se que os métodos aqui aplicados tornaram o modelo mais eficiente, permitindo que a dinâmica da rede neural defina o tamanho das assembleias neurais formadas e tornando a recuperação desses grupos mais robusta a partir da evocação do estímulos que os geraram anteriormente.

According to Donald O. Hebb’s theory, neural assemblies are defined as groups of excitatory neurons that exhibit synchronized firing and high synaptic density. For Hebb, these groups would be responsible for representing some external sensory stimulus or even for generating complex cognitive functions, such as decision-making and language. Based on this theory, a model called the assembly algebra was proposed, with these groups of neurons as its central component. Equipped with a set of operations and the k-winners-take-all selection process, the model enables the creation of neural assemblies through successive activations of artificial external stimuli and the adjustment of synaptic weights via Hebbian learning. Although the proposed model is capable of forming neural assemblies in accordance with Hebb’s theory, the selection process used fails to capture fundamental aspects of neural computation, making the representation of a stimulus in the network inefficient. In light of this issue, the project developed here aimed to make the model’s dynamics more similar to those found in cortical networks. To achieve this, a selection process based on the dynamics of gamma oscillation cycles was implemented, along with an inhibition mechanism aligned with the proportion of excitatory and inhibitory neurons present in the cerebral cortex. After implementation, the characteristics of these neural groups in the adapted model were compared to those of the original model. The applied methods were found to make the model more efficient, allowing the network’s dynamics to determine the size of the formed neural assemblies and improving the robustness of their retrieval when the stimuli that originally generated them were evoked again.