Ila Fiete

Ila Fiete
Fiete talar till Okinawa Institute of Science and Technology 2020
Född	Mumbai, Indien
Nationalitet	amerikansk
Alma mater	BS University of Michigan , MA och Ph.D. Harvard Universitet
Känd för	Modellera neurala beräkningar som ligger till grund för korttidsminne, integration och slutledning
Utmärkelser	2017 CIFAR Senior Fellow, 2016 Howard Hughes Faculty Scholar, 2013 CNS Excellence Award for Teaching - College of Natural Sciences University of Texas i Austin, 2011-2013 McKnight Scholar, 2013 Office of Naval Research Young Investigator, 2010 Searle009 Scholar, 2010 Searle P2. Sloan Foundation Fellow i neurovetenskap
Vetenskaplig karriär
Fält	Fysik och beräkningsneurovetenskap
institutioner	McGovern Institute vid Massachusetts Institute of Technology
Avhandling	Lärande och kodning i biologiska neurala nätverk ( 2004)
Doktorandrådgivare	Sebastian Seung

Ila Fiete är en indisk-amerikansk fysiker och beräkningsneuroforskare samt professor vid avdelningen för hjärn- och kognitiv vetenskap vid McGovern Institute for Brain Research vid Massachusetts Institute of Technology . Fiete bygger teoretiska modeller och analyserar neurala data och för att avslöja hur neurala kretsar utför beräkningar och hur hjärnan representerar och manipulerar information involverad i minne och resonemang.

tidigt liv och utbildning

Fiete föddes i Mumbai, Indien. Hennes föräldrar, Gopal Prasad och Indu Devi, flyttade till Michigan 1992. Hon fortsatte sina grundstudier vid University of Michigan , med huvudämne i matematik och fysik. Fiete flyttade sedan till Boston för att fortsätta sin magisterexamen och forskarstudier vid Harvard University vid institutionen för fysik. Fiete blev mentor i beräkningsneurovetenskap av Sebastian Seung vid MIT och i fysik av Daniel Fisher vid Harvard . I sin doktorsexamen utforskade Fiete principerna för inlärning och kodning i biologiska neurala nätverk. Fiete är gift med Greg Fiete , professor i fysik vid Northeastern University. Hennes bror Anoop Prasad, utbildad till teoretisk fysiker, är verkställande direktör och chef för aktiegruppen på DE Shaw & Co.

Fiete avslutade sina forskarstudier 2003 och flyttade över landet för att bli postdoktor vid Kavli Institute for Theoretical Physics vid University of California, Santa Barbara från 2004 till 2006. Under denna tid var Fiete också på besök medlem av Center for Theoretical Biophysics vid University of California, San Diego . Från 2006 till 2008 arbetade Fiete som Broad Fellow i Brain Circuitry på Caltech under mentorskap av Christof Koch .

Graduate Work - Coding in Biological Neural Circuits

Under sina forskarstudier använde Fiete och hennes kollegor linjära nätverk av lärande för att visa att glesa temporala neurala koder minimerar synaptisk interferens och underlättar inlärning hos sångfåglar. Fiete började sedan utforska de beräkningsprinciper som ligger till grund för synaptisk plasticitet. Hon föreslog en synaptisk förstärkningsregel för att utföra målinriktad inlärning i återkommande nätverk av hastighetsbaserade och spikande neuroner. Regeln utför stokastisk gradientuppstigning på belöningen. Specifikt, om belöningssignalen kvantifierar nätverkets prestanda, kan plasticitetsregeln driva målinriktat lärande i nätverket. Fiete tillämpade sin modell på neurofysiologiska data från sångfåglar och fann att den trial-and-error-baserade inlärningsregeln var tillräckligt snabb för att förklara inlärning hos sångfåglar.

Rutnätsceller

När Fiete startade sin postdoktorala forskning började hon studera kodningsprinciperna för celler i hjärnan som kodar lokalisering. 2006 beskrev Fiete och hennes kollegor ett ramverk för att förstå beräkningarna av rutnätsceller i den entorhinala cortexen och hur de kodar råttornas positioner. De visade att representationen är analog med ett restnummersystem, som tillåter ett litet antal celler att representera och uppdatera en råts position över stora avstånd eller flera miljöer. Denna hypotes skiljer sig mycket från andra om hur kodning utförs i hjärnan, och detta "arithmetikvänliga" siffersystem framhäver uppfinningsrikedomen hos neurala koder.

Karriär och forskning

2008 började Fiete på fakulteten vid University of Texas i Austin . Medan han var på UT Austin, gjorde Fiete en betydande inverkan på samhället som både forskare och utbildare, och fick 2013 CNS Excellence Award for Teaching från College of Natural Sciences University of Texas, Austin. Efter att ha tjänstgjort på fakulteten i 10 år och grundat Center for Theoretical and Computational Neuroscience där, accepterade Fiete 2018 ett erbjudande från Massachusetts Institute of Technology och blev docent med anställning inom Institutionen för hjärn- och kognitionsvetenskap. I början av 2019 började Fiete med McGovern Institute vid MIT som Associate Investigator. I maj 2020 befordrades Fiete till professor vid institutionen för hjärn- och kognitionsvetenskap vid MIT. Fietes forskningsprogram är centrerat kring att förstå varför hjärnan innehåller särskilda kodningsegenskaper och hur anslutningen och dynamiken hos neurala kretsar och synaptisk plasticitet ligger till grund för sådana kodningsprinciper. Hennes labb använder numerisk och teoretisk modellering såväl som rå neurala data för att testa sina modeller av hjärnberäkningar.

Grid Cell Beräkningar

Fiete och hennes kollegor vid UT Austin var intresserade av att utforska de neurala beräkningarna bakom rutnätscellerna i entorhinal cortex. Gridceller är kända för att koda rumslig plats hos däggdjur när de vandrar genom världen. Fiete och hennes kollegor fann att rutnätscellsberäkningar kan komma från en mönsterbildningsprocess och kan modelleras av kontinuerliga attraherande nätverk. Med ingångar som anger djurets hastighet och kursriktning, kan kontinuerliga attraktionsmodeller generera triangulära rutnätsvar som kodar för uppdaterade uppskattningar av plats i tvådimensionella utrymmen. De visar vidare, med ett proof of concept, att kontinuerlig attraktionsdynamik ligger till grund för integrationen av hastighet i rutnätsceller. 2013 använde Fiete och hennes kollegor in vivo neurala inspelningar som grund för sin beräkningsundersökning av mekanismerna bakom rutnätscellaktivitet. Deras modell, som förlitar sig på lågdimensionell kontinuerlig attraktionsdynamik, karakteriserade på ett tillförlitligt sätt rutnätscellsvar med kort varaktighet, välbekanta höljen. Med tiden och under föränderliga förhållanden förändras individuella rutnätscellsvar, men rutnätsparameterförhållandena och relativa faser mellan samtidigt inspelade celler förblir väsentligen konstanta, vilket visar att populationsnivåsvaren är oföränderliga. Deras resultat argumenterar mot cellmiljöhypotesen eftersom de finner att stabiliteten hos cell-cellsvar är mer robusta än cellmiljösvar.

Följande år beskrev Fiete en modell för att förklara utvecklingen av rutnätsceller, från ögonblicket då ögat öppnades till fullt utvecklade rutnätscellsberäkningar. I början skildrar deras modell initialt ostrukturerade nätverk av neuroner som spikar till hastighet och platsingångar. De föreslår, genom beräkningsmodellering, att rutnätsneuroner utvecklar en organiserad återkommande arkitektur baserad på likheten mellan deras input, som verkar genom hämmande neuroner, och detta lägger grunden för ett moget rutnätscellnätverk som kan beräkna hastighet och plats i ett koordinerat och integrerat mode.

Fiete var då intresserad av att utveckla ett robust system för att fastställa neurala kretsmekanismer bakom hjärnans funktion som inte bara är beroende av observation av neural aktivitet. Med hjälp av rutnätscellsystemet, som Fiete hade undersökt i stor utsträckning och fungerar som ett bra system för att testa beräkningsmodeller, visade Fiete att modellen "fördelning av relativa fasskiften" har potential att avslöja mycket detaljerade kortikala kretsmekanismer från glesa neurala inspelningar. Genom användningen av störande experiment finner de att deras metod kan skilja mellan feedforward och återkommande neurala nätverk för att avslöja vilken modell som mest exakt beskrev neurala beräkningar.

2019, när Fiete väl anlänt till MIT, publicerade hon en artikel med topologisk modellering för att omvandla den neurala aktiviteten hos stora populationer av neuroner till ett datamoln som representerar formen av en ring. Denna ringliknande rumsliga representation av neural aktivitet har visats i flugor för att ligga bakom huvudets riktning, och nu, av Fiete, har visats representera huvudriktningen hos möss - som en inre kompass. Den ringliknande formen som den neurala aktiviteten skapar är känd som en mångfald i beräkningsanalyser, en form som representeras i flera dimensioner för att avbilda flerdimensionell data. Dess form och dimensionalitet representerar data på ett mer tolkbart sätt. Tillvägagångssättet som Fiete beskriver, genom att använda ett mångfaldigt för att avbilda neural aktivitet, möjliggör blind (oövervakad) upptäckt och avkodning av externa variabler med endast neural aktivitet som indata.

Pris och ära

• 2017 CIFAR Senior Fellow
• 2016 Howard Hughes Faculty Scholar
• 2013 CNS Excellence Award for Teaching - College of Natural Sciences University of Texas i Austin
• 2011-2013 McKnight Scholar
• 2013 Office of Naval Research Young Investigator
• 2010 Searle Scholar
• 2009 Alfred P. Sloan Foundation Fellow i neurovetenskap

externa länkar

• Ila Fiete -publikationer indexerade av Google Scholar