Esteban Grossberg

Stephen Grossberg (nacido el 31 de diciembre de 1939) es un científico cognitivo , psicólogo teórico y computacional , neurocientífico , matemático , ingeniero biomédico y tecnólogo neuromórfico. Es profesor Wang de sistemas cognitivos y neuronales y profesor emérito de matemáticas y estadísticas, ciencias psicológicas y cerebrales e ingeniería biomédica en la Universidad de Boston . ^[1]

Grossberg vivió por primera vez en Woodside, Queens , en la ciudad de Nueva York . Su padre murió de linfoma de Hodgkin cuando él tenía un año. Su madre se volvió a casar cuando él tenía cinco años. Luego se mudó con su madre, su padrastro y su hermano mayor, Mitchell, a Jackson Heights , Queens. ^[2] Asistió a la escuela secundaria Stuyvesant en el bajo Manhattan después de aprobar su examen de ingreso competitivo. Se graduó primero de su clase de Stuyvesant en 1957. ^[2]

Comenzó sus estudios universitarios en el Dartmouth College en 1957, donde concibió por primera vez el paradigma de utilizar ecuaciones diferenciales no lineales para describir redes neuronales que modelan la dinámica cerebral, así como las ecuaciones básicas que muchos científicos utilizan para este propósito hoy en día. ^{[ cita requerida ]} Luego continuó estudiando psicología y neurociencia. ^[3] Recibió una licenciatura en 1961 de Dartmouth como su primera especialización conjunta en matemáticas y psicología .

Grossberg fue luego a la Universidad de Stanford , de la que se graduó en 1964 con una maestría en matemáticas y se transfirió al Instituto Rockefeller de Investigación Médica (ahora la Universidad Rockefeller ) en Manhattan. En su primer año en Rockefeller, escribió una monografía de 500 páginas que resume sus descubrimientos hasta ese momento. Se llama La teoría de los campos incrustados con aplicaciones a la psicología y la neurofisiología. Grossberg recibió un doctorado en matemáticas de Rockefeller en 1967 por una tesis que demostró los primeros teoremas de memoria direccionable por contenido global sobre los modelos de aprendizaje neuronal que había descubierto en Dartmouth. Su asesor de tesis de doctorado fue Gian-Carlo Rota .

Grossberg fue contratado en 1967 como profesor adjunto de matemáticas aplicadas en el MIT tras las firmes recomendaciones de Mark Kac y Rota. En 1969, Grossberg fue ascendido a profesor asociado tras publicar una serie de resultados conceptuales y matemáticos sobre muchos aspectos de las redes neuronales, incluida una serie de artículos fundamentales en las Actas de la Academia Nacional de Ciencias entre 1967 y 1971.

Grossberg fue contratado como profesor titular en la Universidad de Boston en 1975, donde sigue siendo miembro del cuerpo docente en la actualidad. Durante su estancia en la Universidad de Boston, fundó el Departamento de Sistemas Cognitivos y Neuronales, varios centros de investigación interdisciplinarios y varias instituciones internacionales.

Grossberg es un pionero en los campos de la neurociencia computacional , la ciencia cognitiva conexionista y la tecnología neuromórfica. Su trabajo se centra en los principios y mecanismos de diseño que permiten que el comportamiento de los individuos o las máquinas se adapte de forma autónoma en tiempo real a desafíos ambientales inesperados. Esta investigación ha incluido modelos neuronales de visión y procesamiento de imágenes ; aprendizaje de objetos, escenas y eventos, reconocimiento de patrones y búsqueda; audición, habla y lenguaje; procesamiento y planificación de información cognitiva; aprendizaje de refuerzo e interacciones cognitivo-emocionales; navegación autónoma; control sensoriomotor adaptativo y robótica ; neurodinámica autoorganizada ; y trastornos mentales . Grossberg también colabora con experimentalistas para diseñar experimentos que prueban predicciones teóricas y llenan vacíos conceptualmente importantes en la literatura experimental, realiza análisis de la dinámica matemática de los sistemas neuronales y transfiere modelos neuronales biológicos a aplicaciones en ingeniería y tecnología. Ha publicado 18 libros o números especiales de revistas, más de 560 artículos de investigación y tiene 7 patentes. La página web de Grossberg, sites.bu.edu/steveg, ofrece sus artículos de investigación en formato descargable, así como vídeos de conferencias magistrales sobre diversos temas.

Grossberg ha estudiado cómo los cerebros dan lugar a las mentes desde que tomó el curso introductorio de psicología como estudiante de primer año en Dartmouth College en 1957. En ese momento, Grossberg introdujo el paradigma de usar sistemas no lineales de ecuaciones diferenciales para mostrar cómo los mecanismos cerebrales pueden dar lugar a funciones conductuales. ^[4] Este paradigma está ayudando a resolver el problema clásico mente/cuerpo, y es el formalismo matemático básico que se utiliza en la investigación de redes neuronales biológicas en la actualidad. En particular, en 1957-1958, Grossberg descubrió ecuaciones ampliamente utilizadas para (1) memoria de corto plazo (MCP), o activación neuronal (a menudo llamados modelos aditivo y de derivación, o el modelo de Hopfield después de la aplicación de John Hopfield en 1984 de la ecuación del modelo aditivo ); (2) memoria de mediano plazo (MMP), o habituación dependiente de la actividad (a menudo llamado puertas transmisoras habituativas, o sinapsis depresoras después de la introducción de este término por Larry Abbott en 1997); y (3) memoria a largo plazo (LTM), o aprendizaje neuronal (a menudo llamado aprendizaje de descenso más empinado controlado). Una variante de estas ecuaciones de aprendizaje, llamada aprendizaje Instar, fue introducida por Grossberg en 1976 en la teoría de resonancia adaptativa y los mapas autoorganizados para el aprendizaje de filtros adaptativos en estos modelos. Esta ecuación de aprendizaje también fue utilizada por Kohonen en sus aplicaciones de mapas autoorganizados a partir de 1984. Otra variante de estas ecuaciones de aprendizaje, llamada aprendizaje Outstar, fue utilizada por Grossberg a partir de 1967 para el aprendizaje de patrones espaciales. El aprendizaje Outstar y el Instar fueron combinados por Grossberg en 1976 en una red de tres capas para el aprendizaje de mapas multidimensionales desde cualquier espacio de entrada m-dimensional a cualquier espacio de salida n-dimensional. Esta aplicación fue llamada contrapropagación por Hecht-Nielsen en 1987.

Basándose en su tesis doctoral de 1964 en la Universidad Rockefeller, en los años 1960 y 1970, Grossberg generalizó los modelos aditivo y de derivación a una clase de sistemas dinámicos que incluía estos modelos, así como modelos biológicos no neuronales, y demostró teoremas de memoria direccionable por contenido para esta clase más general de modelos. Como parte de este análisis, introdujo un método funcional de Liapunov para ayudar a clasificar la dinámica limitante y oscilatoria de los sistemas competitivos haciendo un seguimiento de qué población está ganando a lo largo del tiempo. Este método de Liapunov lo llevó a él y a Michael Cohen a descubrir en 1981 y publicar en 1982 y 1983 una función de Liapunov que utilizaron para demostrar que existen límites globales en una clase de sistemas dinámicos con coeficientes de interacción simétricos que incluye los modelos aditivo y de derivación. Este modelo a menudo se denomina modelo de Cohen-Grossberg y función de Liapunov. ^[5] John Hopfield publicó el caso especial de la función Cohen-Grossberg Liapunov para el modelo aditivo en 1984. En 1987, Bart Kosko adaptó el modelo Cohen-Grossberg y la función Liapunov, que probaban la convergencia global de la STM, para definir una memoria asociativa bidireccional adaptativa que combina la STM y la LTM y que también converge globalmente a un límite.

Grossberg ha introducido y desarrollado con sus colegas conceptos, mecanismos, modelos y arquitecturas fundamentales en un amplio espectro de temas sobre el cerebro y el comportamiento. Ha colaborado con más de 100 estudiantes de doctorado y becarios posdoctorales. ^[6]

Estos modelos han proporcionado explicaciones unificadas y basadas en principios de datos psicológicos y neurobiológicos sobre procesos que incluyen la percepción auditiva y visual, la atención, la conciencia, la cognición, las interacciones cognitivo-emocionales y la acción tanto en individuos típicos o normales como en pacientes clínicos. Este trabajo modela cómo determinadas lesiones o averías cerebrales causan síntomas conductuales de trastornos mentales como la enfermedad de Alzheimer, el autismo, la amnesia, el trastorno de estrés postraumático, el TDAH, la agnosia y la negligencia visual y auditiva y el sueño de ondas lentas.

Los modelos también se han aplicado en muchas aplicaciones a gran escala en el campo de la ingeniería, la tecnología y la inteligencia artificial. En conjunto, proporcionan un modelo para diseñar algoritmos, agentes y robots móviles inteligentes adaptativos y autónomos.

Estos resultados se han combinado en una exposición autónoma y no técnica en un estilo conversacional en la obra maestra de Grossberg de 2021 titulada Conscious Mind, Resonant Brain: How Each Brain Makes a Mind (Mente consciente, cerebro resonante: cómo cada cerebro crea una mente) . Este libro ganó el premio PROSE Book Award 2022 en Neurociencia de la Asociación de Editores Estadounidenses.

Los modelos que Grossberg introdujo y ayudó a desarrollar incluyen:

• los fundamentos de la investigación en redes neuronales: aprendizaje competitivo , mapas autoorganizados , estadios y campos de enmascaramiento (para clasificación), estadios finales (para aprendizaje de patrones espaciales), avalanchas (para aprendizaje y rendimiento de orden serial), dipolos cerrados (para procesamiento de oponentes);
• desarrollo perceptivo y cognitivo, cognición social, memoria de trabajo, procesamiento de información cognitiva, planificación, estimación numérica y atención: Teoría de Resonancia Adaptativa (ART), ARTMAP, STORE, CORT-X, SpaN, LIST PARSE, lisTELOS, SMART, CRIB;
• percepción visual, atención, conciencia, aprendizaje de objetos y escenas, reconocimiento, reasignación predictiva y búsqueda: BCS/FCS, FACADE, 3D LAMINART, aFILM, LIGHTSHAFT, Motion BCS, 3D FORMOTION, MODE, VIEWNET, dARTEX, cART, ARTSCAN, pARTSCAN, dARTSCAN, 3D ARTSCAN, ARTSCAN Search, ARTSCENE, ARTSCENE Search;
• transmisión auditiva, percepción, habla y procesamiento del lenguaje: SPINET, ARTSTREAM, NormNet, PHONET, ARTPHONE, ARTWORD;
• Dinámica cognitivo-emocional, aprendizaje de refuerzo, atención motivada y comportamiento cronometrado adaptativamente: CogEM, START, MOTIVATOR; Spectral Timing;
• Navegación visual y espacial: SOVEREIGN, STARS, ViSTARS, GRIDSmap, GridPlaceMap, Spectral Spacing;
• control sensoriomotor adaptativo de los movimientos de ojos, brazos y piernas: VITE, FLETE, VITEWRITE, DIRECT, VAM, CPG, SACCART, TELOS, SAC-SPEM;
• autismo: iSTART

Dado que había poca o ninguna infraestructura para apoyar los campos que él y otros pioneros del modelado estaban impulsando, Grossberg fundó varias instituciones destinadas a proporcionar formación interdisciplinaria, investigación y publicaciones en los campos de la neurociencia computacional, la ciencia cognitiva conexionista y la tecnología neuromórfica. En 1981, fundó el Centro de Sistemas Adaptativos en la Universidad de Boston y sigue siendo su director. En 1991, fundó el Departamento de Sistemas Cognitivos y Neuronales en la Universidad de Boston y se desempeñó como su presidente hasta 2007. En 2004, fundó el Centro de Excelencia para el Aprendizaje en Educación, Ciencia y Tecnología (CELEST) de la NSF ^[7] y se desempeñó como su director hasta 2009. ^[8]

Todas estas instituciones tenían como objetivo responder dos preguntas relacionadas: i) ¿Cómo controla el cerebro el comportamiento? ii) ¿Cómo puede la tecnología emular la inteligencia biológica?

En 1987, Grossberg fundó y fue el primer presidente de la Sociedad Internacional de Redes Neuronales (INNS), que creció hasta alcanzar los 3700 miembros de 49 estados de los Estados Unidos y 38 países durante los catorce meses de su presidencia. La formación de la INNS pronto condujo a la formación de la Sociedad Europea de Redes Neuronales (ENNS) y la Sociedad Japonesa de Redes Neuronales (JNNS). Grossberg también fundó la revista oficial de la INNS ^[9] y fue su editor en jefe desde 1987 hasta 2010. ^[10] Neural Networks es también la revista de archivo de la ENNS y la JNNS.

La serie de conferencias de Grossberg en el Laboratorio Lincoln del MIT desencadenó el Estudio de Redes Neuronales de la DARPA en 1987-88, lo que provocó un mayor interés del gobierno en la investigación de redes neuronales. Fue presidente general de la primera Conferencia Internacional sobre Redes Neuronales (ICNN) del IEEE en 1987 y desempeñó un papel clave en la organización de la primera reunión anual de la INNS en 1988, cuya fusión en 1989 dio lugar a la Conferencia Conjunta Internacional sobre Redes Neuronales (IJCNN), que sigue siendo la reunión anual más grande dedicada a la investigación de redes neuronales. Grossberg también ha organizado y presidido la Conferencia Internacional sobre Sistemas Cognitivos y Neuronales (ICCNS) anual de 1997 a 2013, así como muchas otras conferencias en el campo de las redes neuronales. ^[11]

Grossberg ha formado parte del consejo editorial de 30 revistas, entre ellas Journal of Cognitive Neuroscience , Behavioral and Brain Sciences , Cognitive Brain Research , Cognitive Science , Neural Computation , IEEE Transactions on Neural Networks , IEEE Expert y International Journal of Humanoid Robotics .

Premios otorgados a Grossberg:

• Medalla Norbert Wiener de Cibernética 1969
• Premio Pionero en Redes Neuronales IEEE 1991 por "comprensión fundamental y aplicación de ingeniería en el campo de las redes neuronales".
• Premio de Liderazgo INNS 1992
• Premio a la tecnología del pensamiento de la Boston Computer Society de 1992
• Premio de Ciencias de la Información 2000 de la Asociación de Maquinaria Inteligente
• Premio Charles River Laboratories 2002 de la Sociedad de Toxicología del Comportamiento
• Premio Helmholtz 2003 del INNS que se otorga "por contribuciones destacadas a la investigación en percepción".
• Premio Norman Anderson a la trayectoria de 2015 de la Sociedad de Psicólogos Experimentales "por su investigación teórica pionera sobre cómo los cerebros dan origen a las mentes y sus contribuciones fundamentales a la neurociencia computacional y la ciencia cognitiva conexionista". ^[12] Su discurso de aceptación se puede encontrar aquí. ^[13]
• Premio Frank Rosenblatt 2017 del Instituto de Ingenieros Eléctricos y Electrónicos (IEEE) con la siguiente cita: "Por sus contribuciones a la comprensión de la cognición y el comportamiento del cerebro y su emulación mediante la tecnología".
• Premio Donald O. Hebb 2019 del INNS que se otorga "por contribuciones destacadas a la investigación en el aprendizaje biológico".
• Premio al libro PROSA 2022 en Neurociencia de la Asociación de Editores Estadounidenses por su Obra Magna 2021: Mente consciente, cerebro resonante: cómo cada cerebro crea una mente.
• Premio pionero Lofti A. Zadeh 2022 de la IEEE Systems, Man, and Cybernetics Society por sus “contribuciones fundamentales a la comprensión de la cognición y el comportamiento del cerebro y su emulación mediante la tecnología”.
• Premio Líder en Ciencias de la Computación 2023 de Research.com

Membresías:

• Miembro de la Sociedad de Investigación de Trastornos de la Memoria desde 1990
• Miembro de la Asociación Americana de Psicología en 1994
• Miembro de la Sociedad de Psicólogos Experimentales en 1996
• Miembro de la Sociedad Americana de Psicología en 2002
• Becario IEEE 2005
• Miembro inaugural de la Asociación Estadounidense de Investigación Educativa en 2008
• Becario INNS 2011

Junto con Gail Carpenter , Grossberg desarrolló la teoría de la resonancia adaptativa (TAR). La ART es una teoría cognitiva y neuronal que explica cómo el cerebro puede aprender rápidamente y recordar y reconocer de manera estable objetos y eventos en un mundo cambiante. La ART propuso una solución al dilema de estabilidad-plasticidad; es decir, cómo un cerebro o una máquina pueden aprender rápidamente sobre nuevos objetos y eventos sin verse obligados con la misma rapidez a olvidar recuerdos aprendidos previamente, pero que aún son útiles.

ART predice cómo las expectativas descendentes aprendidas centran la atención en las combinaciones esperadas de características, lo que conduce a una resonancia sincrónica que puede impulsar un aprendizaje rápido. ART también predice cómo los desajustes suficientemente grandes entre los patrones de características ascendentes y las expectativas descendentes pueden impulsar una búsqueda de memoria, o una prueba de hipótesis, de categorías de reconocimiento con las que aprender mejor a clasificar el mundo. ART define así un tipo de sistema de producción autoorganizado.

ART se demostró prácticamente a través de la familia de clasificadores ART (por ejemplo, ART 1, ART 2, ART 2A, ART 3, ARTMAP, ARTMAP difuso, ART eMAP, ARTMAP distribuido), desarrollado con Gail Carpenter, que se ha utilizado en aplicaciones a gran escala en ingeniería y tecnología donde se necesitan una clasificación y predicción aprendidas de forma incremental, rápidas pero estables.

Grossberg ha predicho que "todos los estados conscientes son estados resonantes". En este artículo ha demostrado cómo las propiedades del aprendizaje sin olvido catastrófico se aseguran en la ART mediante la correspondencia atencional entre los patrones de características de abajo a arriba y las expectativas aprendidas de arriba a abajo, lo que conduce a un estado resonante que persiste lo suficiente como para impulsar el aprendizaje entre los patrones de características críticas atendidos y las categorías de reconocimiento activo. Un estado resonante de este tipo también puede conducir a la conciencia cuando incluye células selectivas de características que representan qualia. De esta manera, Grossberg ha utilizado la ART para explicar muchos datos de la mente y el cerebro sobre cómo los humanos ven, oyen, sienten y saben conscientemente cosas sobre sus mundos cambiantes únicos, al tiempo que utilizan estas representaciones conscientes para planificar y actuar con el fin de alcanzar objetivos valiosos.

Grossberg ha introducido y liderado el desarrollo de dos paradigmas computacionales que son relevantes para la inteligencia biológica y sus aplicaciones:

Computación complementaria

¿Cuál es la naturaleza de la especialización cerebral? Muchos científicos han propuesto que nuestros cerebros poseen módulos independientes, como en una computadora digital. La organización del cerebro en áreas anatómicas y flujos de procesamiento diferenciados muestra que el procesamiento cerebral es, en efecto, especializado. Sin embargo, los módulos independientes deberían ser capaces de calcular completamente sus procesos particulares por sí solos. Muchos datos conductuales contradicen esta posibilidad.

La computación complementaria (Grossberg, 2000, ^[14] 2012 ^[15] ) se refiere al descubrimiento de que pares de corrientes de procesamiento cortical paralelas calculan propiedades complementarias en el cerebro. Cada corriente tiene fortalezas y debilidades computacionales complementarias, de manera muy similar a los principios físicos como el Principio de incertidumbre de Heisenberg. Cada corriente cortical también puede poseer múltiples etapas de procesamiento. Estas etapas realizan una resolución jerárquica de la incertidumbre . "Incertidumbre" aquí significa que calcular un conjunto de propiedades en una etapa dada impide el cálculo de un conjunto complementario de propiedades en esa etapa.

La computación complementaria propone que la unidad computacional del procesamiento cerebral que tiene importancia conductual consiste en interacciones paralelas entre corrientes de procesamiento cortical complementarias con múltiples etapas de procesamiento para calcular información completa sobre un tipo particular de inteligencia biológica.

Computación laminar

La corteza cerebral, sede de la inteligencia superior en todas sus modalidades, está organizada en circuitos estratificados (a menudo seis capas principales) que experimentan interacciones características de abajo a arriba, de arriba a abajo y horizontales. ¿Cómo las especializaciones de este diseño laminar compartido encarnan diferentes tipos de inteligencia biológica, incluida la visión, el habla, el lenguaje y la cognición? La computación laminar propone cómo puede suceder esto (Grossberg, 1999, ^[16] 2012 ^[15] ).

La computación laminar explica cómo el diseño laminar del neocórtex puede lograr las mejores propiedades de procesamiento de retroalimentación y de avance, procesamiento digital y analógico, procesamiento ascendente basado en datos y procesamiento descendente basado en hipótesis. Incorporar estos diseños en chips VLSI promete permitir el desarrollo de algoritmos autónomos adaptativos de uso cada vez más general para múltiples aplicaciones.

• Red Grossberg

• Perfil oficial en la Universidad de Boston