Dinmica neural: Campos dinmica bsica e

inestabilidades
Una DNF es una descripcin matemtica de la dinmica de la activacin de una poblacin
neuronal en respuesta a ciertos parmetros de estado de comportamiento del agente.
Modelos cognitivos DFT se han utilizado para controlar los robots y demostrar que las
arquitecturas desarrollados pueden funcionar de manera autnoma en el mundo real. DFT
se basa en la dinmica neuronal campos (DNFs), que son anlogos a ordenaciones del
tiempo suave en su dinmica y conectividad lateral dentro de las redes. En consecuencia,
sus principios dinmicos y estructurales se pueden aplicar al diseo de arquitecturas de
WTA neuromrficos.
La dinmica de DNF pueden ser matemticamente formalizadas como una ecuacin
diferencial, ecuaciones (1-3), que se analiz primero por Amari (1977) , y se utilizan para
modelar la dinmica neuronal en un nivel de poblacin.

En la ecuacin (1), u ( x, t ) es la activacin de la DNF sobre dimensin x , a la que la

poblacin neuronal subyacente es sensible. H es un nivel de reposo negativo y S ( x, t ) es
una entrada externa conducir el DNF.
Las interacciones laterales en DFT son formadas por un ncleo interaccin homognea
simtrica, la ecuacin (2), con una excitacin de corto alcance y una inhibicin de largo
alcance; exc , inh , c EXC , y c inh son la anchura y la amplitud de la excitatorio y las partes
inhibidoras de la interaccin kernel respectivamente.
La no linealidad sigmoidal, la ecuacin (3), da forma a la salida de la DNF de tal manera,
que las ubicaciones de campo slo se activa suficientemente contribuyen a las interacciones
neuronales; determina la pendiente de la sigmoidea.

Un ejemplo de cmo un DNF puede estar relacionado con la actividad de una poblacin
neuronal se muestra en la ilustracin 1 :

Ilustracin 1

En primer lugar, cada neurona en la poblacin aporta su curva de afinacin con respecto al
parmetro de comportamiento de inters como una entrada (virtual) para el DNF . La curva
de ajuste se determina como una dependencia de la velocidad de disparo media o el
potencial de accin de la neurona sobre el valor del parmetro de comportamiento
(Figura 1A ).
En segundo lugar, las curvas de ajuste de las neuronas en la poblacin se suman, cada
ponderados por el nivel actual de activacin (por ejemplo, la media de velocidad de
coccin) de la respectiva neurona. El resultado Distribucin de la Poblacin Actividad para
derivar una descripcin DNF de datos neuronales en la preparacin de movimiento en los
estudios de llegar a movimientos en los monos] representa la actividad global de la
poblacin neuronal seleccionado en respuesta a un determinado estmulo o estado del
sistema neural comportarse (Figuras 1B, C ) .
Por ltimo, se asumen las neuronas en la poblacin estar interconectados de manera que los
cerca (en el espacio de comportamiento) lugares ejercen una influencia excitatoria el uno
del otro, y los lugares lejanos inhiben entre s. La funcin de activacin resultante u ( x, t ),
es la activacin de la DNF. A sigmoidal no linealidad f ( u ( x, t )), da forma a la salida de la
DNF, lo que repercute en la propia DNF a travs de las conexiones laterales y en las otras
partes de la arquitectura neural conectado a esta DNF.

El patrn de conectividad lateral de los resultados de abandonos en existencia de una

solucin de protuberancia localizada en su dinmica (Figura 1D ), que est en la base de las
propiedades de abandonos de ejercer las funciones cognitivas elementales.
Huella de la memoria de la actividad previa
El mecanismo de aprendizaje bsico de las ms importantes en la DFT es la formacin
huella de la memoria, tambin llamada preshape. La huella de la memoria cambia la
dinmica posteriores de un DNF y por lo tanto se considera una forma elemental de
aprendizaje. En trminos neurales, la huella de la memoria asciende a aumento local de la
excitabilidad de las neuronas, que puede ser contrarrestado con procesos homeostticos.
Formalmente, el preshape es una capa adicional sobre las mismas dimensiones que la
asociada DNF. La capa preshape recibe la entrada del DNF, que est integrado en la
dinmica preshape como un atractor que se avecina con una constante de tiempo l /
construir . Esta acumulacin constante es ms lenta que la constante de tiempo de la
dinmica DNF. Cuando no hay actividad en la DNF, la preshape decae con una, incluso
ms lento de constante de tiempo L / decaimiento en la ecuacin.

La informacin de rastreo de memoria se puede utilizar para explicar el aprendizaje de una

sola vez de las categoras de objetos, la representacin de escenas visuales o secuencias de
accin.
En una implementacin neuromorfica WTA, la huella de la memoria, o preshape, puede
interpretarse como la fuerza de las conexiones sinpticas de la DNF (o WTA), u ( x, t ), a
una poblacin "memoria". Esta poblacin "memoria" activa el preshape mediante la
transmisin de su activacin a travs de las conexiones sinpticas aprendidas, P ( x, t ). El
aprendizaje de las conexiones sinpticas asciende a la dinmica atractor, en la que el patrn
de conexiones sinpticas se acerca al modelo de la produccin del DNF (de WTA). Esta
dinmica de aprendizaje tambin pueden implementarse como una regla de Hebb simple:
los pesos sinpticos que conectan sitios activos de la DNF (WTA) con la poblacin de
memoria se fortalecen. Otra posible interpretacin de la preshape como un cambio en los
niveles de reposo de los nodos individuales en el DNF (WTA) es ms difcil de
implementar en las redes de WTA neuromrficos.

Autonoma y control cognitivo en DFT

Fundamentalmente, con el fin de cerrar el bucle de comportamiento, es
necesario el control cognitivo de la arquitectura neural. En particular, el
agente que tiene acceso a varias modalidades perceptivas y motoras tiene
que decidir en cada momento del tiempo, lo que de entrada perceptual
utilizar para controlar el sistema motor y que efector del sistema motor a
utilizar para lograr un objetivo conductual. Este problema fue abordado
recientemente en DFT en trminos de control ejecutivo de modelado en la
cognicin humana ( Buss y Spencer, 2012 ) y en la organizacin del
comportamiento en la robtica ( Richter et al., 2012 ).
El elemento fundamental que da una arquitectura neural la autonoma
deseado de control ejecutivo se basa en el principio de la intencionalidad
( Searle, 1983 ; Sandamirskaya y Schoner, 2010a ). En la prctica, este
principio equivale a una extensin estructural de abandonos, de modo
que cada estado de comportamiento del sistema tiene dos componentes:
una representacin de una intencin, lo que finalmente conduce el
sistema motor del agente, y una representacin de la condicin-desatisfaccin (CoS), que se activa por la entrada sensorial cuando se
termina la accin y que inhibe la intencin respectivo. La CoS DNF es
parcial, o preformada, por la intencin de DNF a ser sensibles a
determinados estmulos sensoriales, las caractersticas para el resultado
de la accin. Este acoplamiento de la intencin de la CoS DNF lleva un
componente de prediccin del comportamiento intencional, que puede
estar en forma en un proceso de aprendizaje ( Luciw et al., 2013 ). Juntos,
la intencin y las CoS comprenden un comportamiento elemental
(EB, Richter et al., 2012 ), que generalmente tiene la dinmica de las
ecuaciones (10).