O Ciclo de Seminários PESC terá sua continuidade, no início de abril, com a presença de Luciano Dyballa, ex-aluno de mestrado do PESC e agora recém-doutor pela Universidade de Yale, EUA. 

Luciano vai apresentar parte de seu trabalho de doutorado que misturou neurociência com computação. Em particular, o estudo da organização e funcionalidade de circuitos neuronais no cérebro (no sistema visual) e a comparação entre redes neurais biológicas e artificiais. O tema é quente e bem interessante!

Programe-se, participe e ajude na divulgação! Mais detalhes abaixo ou clicando aqui.

-------------

Palestrante:

Luciano Dyballa, Recém-doutor pela Universidade de Yale, EUA

Título:

Construindo um mapa funcional de neurônios do sistema visual

Dia/horário/local:

07/04 (quarta) - 18 horas - Canal do PESC no YouTube.

Resumo:

O rápido desenvolvimento de técnicas laboratoriais em neurociência, em particular o registro simultâneo dos sinais de centenas de neurônios, tem levado a uma explosão na quantidade de dados disponíveis, o que gera a possibilidade de um melhor entendimento acerca da organização e funcionalidade de circuitos neuronais no cérebro. De particular interesse para o estudo de visão computacional é a estrutura do sistema visual. Nesse caso, a necessidade do uso de estímulos visuais realísticos aumenta consideravelmente a complexidade dos dados obtidos. Isto resulta em um desafio para o aprendizado de máquina: quais técnicas são adequadas para desvendar padrões neuronais em grande escala? Neste trabalho, é proposto o uso de aprendizado de variedade ("manifold learning") para tal, e são discutidos algoritmos para sua aplicação neste cenário específico. Nosso manifold de neurônios é funcional, no sentido de que neurônios próximos no "embedding" respondem de forma similar aos mesmos aspectos dos estímulos visuais apresentados. Para obtenção de resultados não-triviais, entretanto, são necessários estímulos que exercitem suficientemente o sistema visual. Estímulos artificiais tradicionais resultam em pouca diferenciação entre classes de neurônios; por outro lado, imagens naturais são demasiado complexas e tornam a análise dos dados impraticável. Apresentamos o uso de "flow patterns", uma classe de estímulos visuais situada entre os dois extremos.

Serão discutidos os resultados da aplicação de nossos estímulos e algoritmos a diferentes partes do sistema visual de camundongos, bem como a "deep convolutional nets", o que nos permite fazer uma comparação entre redes neurais biológicas e artificiais do ponto de vista de suas arquiteturas funcionais.

Bio resumida:

Luciano Dyballa obteve seu doutorado em Ciência da Computação na Yale University (2021) sob a orientação de Steven Zucker. Fez mestrado em Engenharia de Sistemas e Computação no PESC/COPPE/UFRJ (2015) sob orientação de Valmir Carneiro Barbosa, e graduação em Engenharia 

Química pela UFRJ (2008). Sua pesquisa abrange visão computacional, neurociência computacional e aprendizado de máquina.