En busca del umbral perdido

1. %Correcto Tiempo umbral conservador umbral arriesgado RT menor Errores mayor En busca del umbral perdido 20 segundos!

2. El subterráneo de una decisión. Neuronas del presente y del pasado y otras que dicen basta ya.

3. El maestro: Alan Turing Enigma • Implementación neuronal de los tres pasos: • Un método para cuantificar el peso de la evidencia de un evento individual a favor de distintas alternativas. (EL VOTO) • Un método para acumular y actualizar el peso proveniente de eventos múltiples. (LA ACUMULACION DE VOTOS) • Una regla de decisión para determinar si la evidencia era suficiente para determinar la hipótesis mas probable. (LA RESOLUCION)

4. “Las neuronas que integran o acumulan el voto” “Las neuronas que determinan el umbral” “Las neuronas que votan”

5. La neurofisiología de la toma de decisiones Simulacro en el laboratorio de la toma de decisiones en un mundo incierto.

6. 6 ±ε 6 ±ε 6 ±ε Mov = 6±ε Acum = εcuantifica las fluctuaciones y por lo tanto disminuye con el numero de partículas 11 11 11 22 33 44 Mov = 11 Acum = 11

7. 6 ±ε 6 ±ε 6 ±ε Mov = 6±ε Acum =

8. “Las neuronas que votan”

9. 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.

10. 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.

11. 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.

12. 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?

13. “Las neuronas que integran o acumulan el voto”

14. EL ACUMULADOR: Conteo de todos los votos en el tiempo. Como los votos son ruidosos, esto resulta en un random walk. Estimulo Integracion ruidosa: Un random-walk forzado integra (promedia en el tiempo) la evidencia provista por las neuronas de MT Respuesta Neuronas en LIP Cuando se llega a suficiente evidencia ¿cuánto es suficiente? Se ejecuta la decisión.

15. EL ACUMULADOR: Conteo de todos los votos en el tiempo. Como los votos son ruidosos, esto resulta en un random walk. 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. Neuronas en LIP El proveedor y el acumulador de votos. ¿Hasta cuando acumulan? El estimulo, luego de una latencia, empiezan a acumular.

16. 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. El estimulo, luego de una latencia, empiezan a acumular.

17. 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?

18. 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.

19. 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

23. 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?

24. 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

25. Universales no tan universales “El tiempo antes” In Aymara, the basic word forFRONT (nayra, “eye/front/sight”) is also a basic expression meaningPAST, and the basic word for BACK(qhipa, “back/behind”) is a basic expression forFUTURE meaning. Nuñez & Sweetser 2006

26. Jugando a Jung, a la manera de Jung Neurotaller , Cordoba, Argentina 2007

27. La traza de una memoria, la forma del espacio de significados a partir de las trayectorias

28. Coche (in google): 1.410.000.000 Coche (in google): 1.410.000.000 Física (in google): 182.000.000 Rueda (in google): 200.000.000 Intuición de la métrica: Signficicados que aparecen juntos (en texto, en la web, en el discurso) están relacionados Coche Y Física 400.000 Pcond – 0.2% Coche Y Rueda 2.000.000 Pcond – 1%

29. Maradona (in google): 12,600,000 Pele (in google): 23,700,000 Dios (in google): 82,400,000 Dios (in google): 82,400,000 http://www.diosmaradona.com.ar/ Demostracion de que Maradona esta mas cerca de DIOS que Pele. Dios AND Pele 500.000 Pcond – 0.02 Dios AND Maradona 1.000.000 Pcond – 0.1

30. Frente a la evidencia … tres barrios del espacio de palabras

31. La traza de una memoria, la forma del espacio de significados a partir de las trayectorias

32. “Los ciclos” Understanding the dynamics of movement, the trace of the memory “La distancia media entre dos palabras al azar” “La traza de un pensamiento” (difusion acotada)

33. Si estoy en la palabra roja - ¿A Cual voy? Posibilidad I: A cualquiera. El sueño de Crick (Francis) alimentado por el ruido. Ruido (Temperatrua) Posibilidad II: A las mas cercanas (saltos determinista, con cierto ruido). Posibilidad III: Compulsivo. Determinismo total. Salto a la mas cercana. Random-walking en el grafo semantico: La estructura de las trayectorias de asociaciones libres p ¿Como son los saltos de las asociaciones libres en el espacio de palabras? ¿Que forma tienen las asociaciones espontaneas, bizarras, los sueños?

34. Compulsivo… Understanding the navigation rules in the semantic graph Distancias se mantienen pequeñas (no difunde) Ciclo, ciclos

35. El sueño de Crick – todo al azar. Understanding the navigation rules in the semantic graph Perdida inmediata de memoria No hay ciclos (probabilidad de volver a la misma palabra es casi cero)

36. Una ventana visible de las 7 palabras mas cercanas Understanding the navigation rules in the semantic graph N=7 Dinamica correcta de la perdida de memoria Prediccion correcta de la estructura de ciclos

37. Levy-flights are the best description of free word associations Diffusion (Random Walk) Levy Flights diffusing with short-cuts, i.e. in a small world

39. Jugando el juego con robots de Levy-Flight (no patentables)