主菜单(移动)-块

主菜单-块

约翰逊实验室

janelia7_blocks-janelia7_secondary_menu |块
更多信息请访问实验室登陆页面
custom_misc-custom_misc_lab_updates |块
节点:field_content_header | entity_field
研究概述
节点:field_content_summary | entity_field

一般生物智能背后的神经机制是未知的,这代表了我们在理解动物行为和构建高度智能机器所需的信息处理原则方面的一个核心局限性。

节点:身体| entity_field

一般智能的一个关键组成部分是物理场景理解——观察一个场景的能力,将这个场景解析成组成对象的能力,从经验中推断出这些对象的属性,将这些信息与世界如何运作的内部模型结合起来,就可以产生一个概率性的心理模拟,模拟这个场景随着时间的推移可能会如何展开。执行这种类型的计算所需的知识被调用直观的物理.虽然直觉物理学在人类发展中的出现已经得到了很好的研究,但涉及到获取和应用这一知识的算法却知之甚少。为了提高对基于物理的推理及其在神经回路中的实现的理解,我们的实验室旨在整合计算认知科学、机器学习、神经行为学和系统神经科学的思想来研究啮齿类动物的直觉物理。

幼鼠在实验室里很容易被训练去玩捡球游戏,在几天内就能学会这项任务。我们的目标是自动化获取训练和玩法,并测量和建模啮齿类动物如何学习和使用直观的物理知识来计划有效的拦截路线在这个游戏中。通过不断地向啮齿类动物提供新颖的试验配置,我们确保解决方案必须从内部模型计算而不是通过记忆。通过量化啮齿类动物走捷径移动目标的能力,我们的目标是模拟啮齿类动物如何利用物体信息和控制其运动的原则来预测未来和计划。试验将安排以描述啮齿类动物对质量、形状、固体、重力、动量、碰撞、咬合、持久性和其他基本直观物理概念的理解。我们的实验室将使用高速多摄像机系统来测量游戏玩法,并将应用深度学习模型来估计场景中啮齿动物和物体的3D姿态动态。这些数据将在一个物理引擎中重建,以模拟现实虚拟环境中的啮齿动物行为。该系统将帮助我们了解啮齿类动物如何使用和更新正、逆模型来预测环境动力学,并通过观察和相互作用来推断新物体的属性。虽然我们当前的重点是测量和建模行为,但我们的长期目标是记录游戏过程中的神经动力学,以识别对象属性、游戏状态和可能的未来事件的神经表示。

取得联系

我们是一个新实验室,希望在认知神经科学的新问题上取得进展。如果你想了解更多或有兴趣加入我们的团队,请直接联系Rob (johnsonr@janelia.hhmi.org).