Surya Ganguli — человек из теоретического neuroscience, то есть, занимается тем, чтобы понять, как работает мозг, на основе измерений импульсов нейронов на различных уровнях.
И вот тут независимо от neuroscience в мире случается deep learning, и у нас получается некую искусственную систему чему-то научить.
В отличие от мозга, в котором у нас ограниченное разрешение, сложность с повторяемостью, итд итп, про deep network-то мы знаем абсолютно все, про все веса, про все состояния. Возникает вопрос — если мы собираемся разобраться, как работает мозг, может попробуем для начала понять как и почему работает вот такая маленькая система?

Что понимается под причинностью? Причинность является следствием физического детерминизма: «для всякой изолированной физической системы произвольно фиксированное состояние системы детерминируют все последующие состояния»

Рассуждения о работе мозга, нейронных сетях, природе эмоций и искусственном интеллекте

В настоящее время актуальной является задача разработки симулято-
ров биологических систем
. Нами создается библиотека математических
моделей физиологических систем
и функциональных состояний на еди-
ной базовой платформе
–
наборе моделей
однородных распределенных
нейроноподобных систем, исследование которых имеет более чем двадца-
тилетнюю историю
. Такие нейроморфные модели направлены на изуче-
ние принципов работы нейрон
ных структур мозга.

Разработана функциональная модель процессов обработки сенсорных сигналов в таламокортикальных сетях мозга. В таких универсальных системах происходит преобразование сенсорных сигналов разных модальностей. На примере взаимодействия четырех нейрональных модулей, каждый из которых моделирует процессы в нейронных ансамблях коры, интернейронов коры, нейронов сенсорных ядер таламуса и ретикулярных ядер таламуса, продемонстрированы режимы нормальной обработки информации и самовозбуждения системы (И. В. Нуйдель, М. Е. Соколов, В. Г. Яхно).

Предлагается использование нейронной сети для обработки данных психодиагностики. Построена простая нейросеть с прямой передачей сигнала и обратным распространением ошибки. Структура нейросети жестко связана с исходными анализируемыми данными, а ее обучение производится с их же использованием. Обучение сети и проверка ее работы производятся на примере данных тестирования младших подростков. Показано, что предложенный алгоритм позволяет эффективно выделять психологические признаки, значимые для оценки гендерных различий испытуемых.