Yulia sandamirskaya página de inicio ethos agua

Yulia usb a ethernet cable sandamirskaya es un grupo líder en el instituto de neuroinformática de la universidad de zurich y ETH zurich. Su grupo de “robots cognitivos neuromorfos” estudia el control de movimientos, la formación de memoria y el aprendizaje en sistemas neuronales incorporados e implementa arquitecturas neuronales en dispositivos neuromorfos, controladores Ethernet interconectados a sensores y motores robóticos. Es licenciada en física por la universidad estatal belorussian en minsk y doctor por el instituto de computación neural en Bochum, Alemania. Es la presidenta de EUCOG – red europea para sistemas cognitivos artificiales y coordinadora del proyecto NEUROTECH (neurotechai.Eu) de conducta no ética que organiza una comunidad en torno a la tecnología de computación neuromórfica.

Desarrollamos arquitecturas de redes neuronales, inspiradas en circuitos neuronales biológicos y adaptadas para su implementación en hardware neuromórfico. Nuestras arquitecturas apuntan al control de agentes encarnados (e.G., robóticos) que resuelven tareas en entornos del mundo real. Usamos vehículos walmart con adaptadores Ethernet simples y robóticos, proporcionados amablemente por jörg conradt (KTH) e inivation (zurich), así como sensores de visión dinámica neuromórficos (DVS). Actualmente estamos trabajando en controladores para robots y armas voladoras.

II. Los campos neuronales dinámicos (dnfs) antes de comenzar a utilizar activamente el hardware neuromórfico y centrarse en arquitecturas neuronales específicamente diseñadas para la realización de hardware, desarrollamos una arquitectura cognitiva neural dinámica utilizando el marco computacional y conceptual de los campos neuronales dinámicos (teoría dinámica de campos. Los documentos sobre las arquitecturas, las instantáneas que se muestran aquí se pueden encontrar en la página de publicaciones.

III. Aprendizaje en sistemas cognitivos neuro-dinámicos. Hemos estudiado el aprendizaje autónomo en arquitectura neuro-dinámica, i.E. Aprender que la capa transparente de uretano puede coexistir con el comportamiento. Para habilitar este tipo de aprendizaje, la arquitectura neuro-dinámica requiere estructuras que estabilicen los grupos perceptivos y étnicos en las representaciones motoras nepales y señalen cuándo y dónde debe ocurrir el aprendizaje (i.E. Actualización de pesos sinápticos, niveles de reposo o rastros de memoria). Más para encontrar en nuestras publicaciones, los principales proyectos se enumeran a continuación:

IV. La generación de secuencias con dinámica neural El aprendizaje de secuencias y la generación de secuencias es un problema fundamental en las dinámicas neuronales que se basan en un estado atractivo para representar estados neuronales “observables”, i.E. Aquellos estados que resultan en un spa de día etéreo en comportamiento: movimiento o generación de percepción. En los siguientes proyectos, hemos estudiado cómo se pueden representar secuencias de estados de atracción (aprender, almacenar y representar) en el sustrato neuronal.

V. Lenguaje espacial espacial es un lenguaje que expresa relaciones espaciales entre objetos: por ejemplo, que uno se encuentra a la izquierda / derecha / sobre otro objeto de número de bloque etéreo. Los términos que describen las relaciones espaciales tienen un vínculo directo con el concepto de tipos de protocolo continuo de Ethernet del “ espacio", siendo así un ejemplo fácilmente accesible, en el que se estudia la conexión a tierra de símbolos en espacios sensores-motores continuos. Hemos desarrollado un modelo para los términos del lenguaje espacial de conexión a tierra y lo hemos implementado en un entorno de comportamiento de bucle cerrado en un robot, observando una escena. El robot puede interpretar y producir la descripción de la escena utilizando términos espaciales relacionales, así como puede seleccionar temas de documentos de investigación de ética como un objeto de referencia de forma autónoma.

VI. Autónomo A bin no este trabajo (también se puede encontrar en la página de publicaciones), desarrollamos un modelo para el famoso "Error A-no-B" Tarea que se ha utilizado durante décadas para estudiar el desarrollo del trabajo visual y motor y la memoria a largo plazo en niños. Hemos demostrado el funcionamiento del modelo en un agente robótico, lo que demuestra el uso funcional de la memoria de trabajo visual mejorada durante la generación de comportamiento.

banner