Le contenu décrit la création d'un modèle d'IA affiné pour stimuler la dopamine chez les cerveaux atteints de TDAH, offrant une approche innovante pour le soutien en santé mentale. Ce projet explore l'application de l'intelligence artificielle pour aider à la régulation neuronale.
Cette recherche évalue empiriquement des agents de codage d'IA à usage général sur un pipeline de découverte de données en neurosciences, évaluant leur capacité à automatiser des tâches scientifiques complexes. Elle constate que les agents peuvent résoudre des étapes individuelles du pipeline mais rencontrent des difficultés avec le jugement scientifique en l'absence de critères d'itération prédéfinis.
Cet article, faisant partie de la série "Neuroanatomie des LLM", suggère que les Grands Modèles Linguistiques traitent les informations géométriquement plutôt que linguistiquement. Il explore les mécanismes internes et l'organisation structurelle de ces modèles d'IA avancés.
Cet article explore comment l'IA 'comprend le sens' par rapport aux humains, en s'appuyant sur les neurosciences, l'éthique de l'IA et la créativité contrainte. La question philosophique et technique centrale est de savoir si l'IA 'comprend réellement le sens' ou crée simplement une illusion de continuité, contrairement à la mémoire humaine qui implique une sélection et une interprétation continues.
Cet article présente le modèle Convolutional Variational Deep Embedding (Conv-VaDE) pour l'analyse des microétats EEG. Il améliore l'interprétabilité en apprenant conjointement la reconstruction topographique et le regroupement probabiliste doux, permettant le décodage génératif de prototypes de clusters en topographies vérifiables.
Cet article explore comment l'IA pourrait «comprendre le sens» par rapport aux humains, en abordant la question à travers les neurosciences, l'éthique de l'IA et la créativité contrainte. Il conclut que l'IA ne peut pas saisir le sens comme les humains, car elle manque d'expérience incarnée et culturelle.
Cette recherche étudie la similitude entre le traitement des modèles de langage et le traitement du langage humain à l'aide du cadre Brain Score. Les résultats montrent que les LMs entraînés sur diverses langues naturelles et même sur des données structurées (génome humain, Python) présentent des performances Brain Score similaires, suggérant que la métrique capture la capacité d'extraction de structure commune.
La Chine a approuvé le premier implant cérébral-ordinateur invasif au monde, marquant une avancée significative dans la technologie médicale. Un homme paralysé, Dong Hui, a déjà pu utiliser la puce pour écrire, démontrant son potentiel transformateur.
Un chercheur indépendant de 11 ans a publié Open-Bridge, un logiciel open-source conçu pour synchroniser des organoïdes cérébraux 3D avec du matériel informatique photonique. Il utilise la méthode Donoho/MAD pour le tri adaptatif des spikes et les réseaux neuronaux liquides pour la synchronisation temporelle.
Ce travail propose une hypothèse de compression sémantique pour surmonter les limites du décodage EEG-vers-texte, suggérant que les signaux EEG encodent des ancres sémantiques compressées plutôt que la structure linguistique complète. Il introduit Brain-CLIPLM, un cadre en deux étapes pour l'extraction d'ancres sémantiques via l'apprentissage contrastif et la reconstruction de phrases à l'aide d'un grand modèle de langage basé sur la récupération.
Cette recherche examine si les LLM peuvent servir de prisme pour comprendre les représentations neurales de la valence émotionnelle dans le cerveau humain, en se concentrant sur l'EEG. L'étude construit un axe de valence à partir des LLM et démontre sa correspondance avec l'activité neuronale humaine, suggérant une représentation partagée.
Des neuroscientifiques proposent d'utiliser des données fMRI non invasives pour améliorer les modèles d'encodage ECoG, contournant les limites des données. Les représentations linguistiques affinées avec le fMRI ont considérablement amélioré la prédiction ECoG, malgré la résolution temporelle inférieure du fMRI.
Cet article, faisant partie de la série 'The Learn Arc' sur l'Inférence Active, détaille comment les concepts mathématiques abstraits se traduisent en circuits neuronaux réels. Il postule que le cortex fonctionne comme un graphe factoriel physique, où les colonnes corticales sont des nœuds factoriels et les fibres de matière blanche agissent comme des messages dans un calcul de passage de messages.
CIPHER é um modelo baseado em Conformer para inferência de fonemas a partir de EEG de alta densidade, visando decodificar informações de fala do cérebro. Embora alcance alta performance em tarefas binárias, mostra desempenho limitado na discriminação de fonemas de 11 classes, sendo posicionado como um estudo de benchmark e comparação de características.
Des chercheurs du MIT proposent une stratégie non invasive pour explorer comment la matière physique du cerveau se traduit en conscience, en utilisant des ultrasons focalisés transcrâniens. Cette approche vise à étudier le lien complexe entre l'activité cérébrale et l'expérience subjective sans neurochirurgie.