Hava Siegelmann es profesora de informática y líder mundial en los campos de aprendizaje permanente, inteligencia artificial, aprendizaje automático, redes neuronales y neurociencia computacional. Su puesto académico es en la escuela de Ciencias de la Computación y el Programa de Neurociencia y Comportamiento de la Universidad de Massachusetts Amherst ; ella es la directora del Laboratorio de Sistemas Dinámicos y Neurales de Inspiración Biológica de la escuela. Fue cedida al gobierno federal DARPA 2016-2019 para iniciar y ejecutar sus programas de inteligencia artificial más avanzados, incluido su programa Lifelong Learning Machine (L2M). [1] y Garantizar la robustez de la IA contra engaños (GARD). [2] Recibió el premio raramente otorgadoMedalla de servicio público meritorio : uno de los más altos honores que la agencia del Departamento de Defensa puede otorgar a un ciudadano privado.
Hava Siegelmann | |
---|---|
alma mater | Universidad Rutgers |
Carrera científica | |
Campos | informática, neurociencia, biología de sistemas, ingeniería biomédica |
Instituciones | Universidad de Massachusetts Amherst |
Tesis | Fundamentos de las redes neuronales recurrentes (1993) |
Asesor de doctorado | Eduardo Daniel Sontag |
Biografía
Siegelmann es un científico informático estadounidense que fundó el campo de la computación Super-Turing . Por su contribución de por vida al campo de las redes neuronales, recibió el premio Donald Hebb 2016. Obtuvo su doctorado en la Universidad de Rutgers, Nueva Jersey, en 1993. [3]
A principios de la década de 1990, ella y Eduardo D. Sontag propusieron un nuevo modelo computacional, la Red Neural Recurrente Artificial (ARNN), que ha sido de interés tanto práctico como matemático. Demostraron matemáticamente que los ARNN tienen poderes computacionales bien definidos que amplían la máquina clásica de Turing Universal . Sus publicaciones iniciales sobre el poder computacional de las redes neuronales culminaron en un artículo de un solo autor en Science [4] [5] y su monografía, "Redes neuronales y computación analógica: más allá del límite de Turing".
En su artículo de Science, [4] Siegelmann demuestra cómo los sistemas caóticos (que no pueden ser descritos por el cálculo de Turing) ahora son descritos por el modelo de Super-Turing. Esto es significativo ya que muchos sistemas biológicos que no se pueden describir por medios estándar (por ejemplo, corazón, cerebro) pueden describirse como un sistema caótico y ahora pueden modelarse matemáticamente. [6] [7]
La teoría de la computación de Super-Turing ha atraído la atención de la física, la biología y la medicina. [8] [9] [10] Siegelmann también es un creador del Support Vector Clustering, un algoritmo ampliamente utilizado en la industria, para el análisis de big data, junto con Vladimir Vapnik y sus colegas. [11] Siegelmann también introdujo una nueva noción en el campo de las enfermedades dinámicas, "la salud dinámica", [12] que describe las enfermedades en la terminología y el análisis de la teoría del sistema dinámico , lo que significa que en el tratamiento de trastornos, es demasiado limitante para buscar solo para reparar las causas primarias del trastorno; cualquier método para devolver la dinámica del sistema al rango equilibrado, incluso bajo desafíos fisiológicos (por ejemplo, reparando la fuente primaria, activando vías secundarias o insertando señales especializadas), puede mejorar el sistema y ser extremadamente beneficioso para la curación. Empleando este nuevo concepto, reveló la fuente de perturbación durante el trabajo por turnos y los viajes que conducen al desfase horario [13] y actualmente está estudiando la memoria humana y el cáncer [14] bajo esta perspectiva.
Siegelmann ha estado activa a lo largo de su carrera para promover y apoyar a las minorías y las mujeres en los campos de la informática y la ingeniería. A lo largo de su carrera, Siegelmann consultó con numerosas empresas y se ha ganado una reputación por sus capacidades prácticas de resolución de problemas. Es miembro de la junta directiva de la Sociedad Internacional de Redes Neuronales y editora de Frontiers on Computational Neuroscience.
Publicaciones
Documentos
- Cabessa, J .; Siegelmann, HT (2012). "El poder computacional de las redes neuronales recurrentes interactivas". Computación neuronal . 24 (4): 996–1019. CiteSeerX 10.1.1.411.7540 . doi : 10.1162 / neco_a_00263 . PMID 22295978 .
- HT Siegelmann y LE Holtzman, "Integración neuronal de fuentes dinámicas: aprendizaje bayesiano e inferencia bayesiana", Caos: tema de enfoque: Computación intrínseca y diseñada: procesamiento de información en sistemas dinámicos 20 (3): DOI: 10.1063 / 1.3491237, septiembre de 2010. ( 7 páginas)
- Nowicki, D .; Siegelmann, HT (2010). "Memoria de núcleo flexible" . PLOS ONE . 5 (6): e10955. Código bibliográfico : 2010PLoSO ... 510955N . doi : 10.1371 / journal.pone.0010955 . PMC 2883999 . PMID 20552013 .
- Olsen, MM; Siegelmann-Danieli, N .; Siegelmann, HT (2010). "El modelo computacional dinámico sugiere que la ciudadanía celular es fundamental para la apoptosis tumoral selectiva" . PLOS ONE . 5 (5): e10637. Código bibliográfico : 2010PLoSO ... 510637O . doi : 10.1371 / journal.pone.0010637 . PMC 2869358 . PMID 20498709 .
- Pietrzykowski, AZ; Friesen, RM; Martin, GE; Puig, SI; Nowak, CL; Wynne, PM; Siegelmann, HT; Treistman, SN (2008). "La regulación postranscripcional de la estabilidad de la variante de empalme del canal BK por miR-9 subyace a la neuroadaptación al alcohol" . Neurona . 59 (2): 274–287. doi : 10.1016 / j.neuron.2008.05.032 . PMC 2714263 . PMID 18667155 .
- Lu, S .; Becker, KA; Hagen, MJ; Yan, H .; Roberts, AL; Mathews, LA; Schneider, SS; Siegelmann, HT; Tirrell, SM; MacBeth, KJ; Blanchard, JL; Jerry, DJ (2008). "Las respuestas transcripcionales al estrógeno y la progesterona en la glándula mamaria identifican redes que regulan la actividad de p53" . Endocrinología . 149 (10): 4809–4820. doi : 10.1210 / en.2008-0035 . PMC 2582927 . PMID 18556351 .
- Siegelmann, HT (2008). "Memoria análogo-simbólica que rastrea vía reconsolidación". Physica D: Fenómenos no lineales . 237 (9): 1207-1214. Código Bibliográfico : 2008PhyD..237.1207S . doi : 10.1016 / j.physd.2008.03.038 .
- Roth, F .; Siegelmann, H .; Douglas, RJ (2007). "La autoconstrucción y reparación de un organismo forrajero mediante el desarrollo explícitamente especificado a partir de una sola célula". Vida artificial . 13 (4): 347–368. CiteSeerX 10.1.1.70.326 . doi : 10.1162 / artl.2007.13.4.347 . PMID 17716016 .
- Leise, T .; Siegelmann, HT (2006). "Dinámica de un sistema circadiano multietapa". Revista de ritmos biológicos . 21 (4): 314–323. doi : 10.1177 / 0748730406287281 . PMID 16864651 .
- Loureiro, O .; Siegelmann, H. (2005). "Introducción de un paradigma activo de recuperación de información basada en clústeres". Revista de la Sociedad Estadounidense de Ciencia y Tecnología de la Información . 56 (10): 1024-1030. CiteSeerX 10.1.1.412.1179 . doi : 10.1002 / asi.20193 .
- Ben-Hur, A .; Horn, D .; Siegelmann, HT; Vapnik, V. (2001). "Apoyo a la agrupación de vectores". Revista de investigación sobre aprendizaje automático . 2 : 125-137.
- Siegelmann, HT; Ben-Hur, A .; Fishman, S. (1999). "Complejidad computacional para la dinámica del tiempo continuo" . Cartas de revisión física . 83 (7): 1463–1466. Código Bibliográfico : 1999PhRvL..83.1463S . doi : 10.1103 / physrevlett.83.1463 .
- Siegelmann, HT; Fishman, S. (1998). "Computación por sistemas dinámicos". Physica D . 120 (1–2): 214–235. CiteSeerX 10.1.1.411.7879 . doi : 10.1016 / s0167-2789 (98) 00057-8 .
- Siegelmann, HT (1995). "Computación más allá del límite de Turing". Ciencia . 238 (28): 632–637. Código Bibliográfico : 1995Sci ... 268..545S . doi : 10.1126 / science.268.5210.545 . PMID 17756722 .
Lista parcial de aplicaciones
- Sivan, S .; Filo, O .; Siegelman, H. (2007). "Aplicación de redes expertas para predecir la estructura secundaria de proteínas". Ingeniería Biomolecular . 24 (2): 237–243. doi : 10.1016 / j.bioeng.2006.12.001 . PMID 17236807 .
- Eldar, S; Siegelmann, HT; Buzaglo, D .; Materia, I .; Cohen, A .; Sabo, E .; Abrahamson, J. (2002). "Conversión de colecistectomía laparoscópica a colecistectomía abierta en colecistitis aguda: redes neuronales artificiales mejoran la predicción de conversión". Revista mundial de cirugía . 26 (1): 79–85. doi : 10.1007 / s00268-001-0185-2 . PMID 11898038 .
- Lange, D .; Siegelmann, HT; Pratt, H .; Inbar, GF (2000). "Superar el promedio de conjunto selectivo: identificación no supervisada de potenciales cerebrales relacionados con eventos". Transacciones IEEE sobre Ingeniería Biomédica . 47 (6): 822–826. doi : 10.1109 / 10.844236 . PMID 10833858 .
- Karniely, H .; Siegelmann, HT (2000). "Registro de sensores mediante redes neuronales". Transacciones IEEE en sistemas electrónicos y aeroespaciales . 36 (1): 85–98. Código Bibliográfico : 2000ITAES..36 ... 85K . doi : 10.1109 / 7.826314 .
- Siegelmann, HT; Nissan, E .; Galperin, A. (1997). "Un enfoque híbrido neural / simbólico novedoso para la asignación de combustible optimizada heurísticamente y la revisión automatizada de heurística en ingeniería nuclear". Avances en software de ingeniería . 28 (9): 581–592. doi : 10.1016 / s0965-9978 (97) 00040-9 .
Libros
- Redes neuronales y computación analógica: más allá del límite de Turing, Birkhauser, Boston, diciembre de 1998 ISBN 0-8176-3949-7
notas y referencias
- ^ Biografía de DARPA
- ^ [1]
- ^ Biografía en UMass
- ^ a b Siegelmann, HT (28 de abril de 1995). "Computación más allá del límite de Turing" . Ciencia . 268 (5210): 545–548. Código bibliográfico : 1995Sci ... 268..545S . doi : 10.1126 / science.268.5210.545 . PMID 17756722 .
- ^ Siegelmann, HT (1996). "Respuesta: potencia computacional analógica" . Ciencia . 271 (5247): 373. doi : 10.1126 / science.271.5247.373 .
- ^ Barkai, N .; Leibler, S. (26 de junio de 1997). "Robustez en redes bioquímicas simples". Naturaleza . 387 (6636): 913–917. Código Bibliográfico : 1997Natur.387..913B . doi : 10.1038 / 43199 . PMID 9202124 .
- ^ McGowan, PO; Szyf, M (julio de 2010). "La epigenética de la adversidad social en la vida temprana: implicaciones para los resultados de salud mental". Neurobiología de la enfermedad . 39 (1): 66–72. doi : 10.1016 / j.nbd.2009.12.026 . PMID 20053376 .
- ^ Yasuhiro Fukushima; Makoto Yoneyama; Minoru Tsukada; Ichiro Tsuda; Yutaka Yamaguti; Shigeru Kuroda (2008). "Evidencia fisiológica de salida de codificación de Cantor en hipocampo CA1". En Rubin Wang; Fanji Gu; Enhua Chen (eds.). Avances en neurodinámica cognitiva Actas ICCN 2007 de la Conferencia Internacional sobre Neurodinámica Cognitiva . Dordrecht: Springer. págs. 43–45. ISBN 978-1-4020-8387-7.
- ^ Bodén, Mikael; Alan Blair (marzo de 2003). "Aprendizaje de la dinámica de las cláusulas integradas" (PDF) . Inteligencia aplicada . 19 (1/2): 51–63. doi : 10.1023 / A: 1023816706954 .
- ^ Toni, R; Spaletta, G; Casa, CD; Ravera, S; Sandri, G (2007). "Computación y procesos cerebrales, con especial referencia a los sistemas neuroendocrinos". Acta Bio-medica: Atenei Parmensis . 78 Supl. 1: 67–83. PMID 17465326 .
- ^ Ben-Hur, A .; Horn, D .; Siegelmann, HT; Vapnik, V. (2001). "Apoyo a la agrupación de vectores". Revista de investigación sobre aprendizaje automático . 2 : 125-137.
- ^ Ben-Hur, A .; Horn, D .; Siegelmann, HT; Vapnik, V. (2000). Un método de agrupación de vectores de soporte . Reconocimiento de patrones, 2000. Actas. 15ª Conferencia Internacional sobre . 2 . págs. 724–727. doi : 10.1109 / ICPR.2000.906177 . ISBN 978-0-7695-0750-7.
- ^ Leise, T .; Hava Siegelmann (1 de agosto de 2006). "Dinámica de un sistema circadiano multietapa". Revista de ritmos biológicos . 21 (4): 314–323. doi : 10.1177 / 0748730406287281 . PMID 16864651 .
- ^ Olsen, Megan; Siegelmann-Danieli, Nava; Siegelmann, Hava T .; Ben-Jacob, Eshel (13 de mayo de 2010). Ben-Jacob, Eshel (ed.). "El modelo computacional dinámico sugiere que la ciudadanía celular es fundamental para la apoptosis tumoral selectiva" . PLOS ONE . 5 (5): e10637. Código bibliográfico : 2010PLoSO ... 510637O . doi : 10.1371 / journal.pone.0010637 . PMC 2869358 . PMID 20498709 .