Ila Fiete es una física y neurocientífica computacional indio-estadounidense , además de profesora en el Departamento de Ciencias Cerebrales y Cognitivas del Instituto McGovern para la Investigación del Cerebro en el Instituto Tecnológico de Massachusetts . Fiete construye modelos teóricos y analiza datos neuronales para descubrir cómo los circuitos neuronales realizan cálculos y cómo el cerebro representa y manipula la información relacionada con la memoria y el razonamiento.
Fiete nació en Bombay, India. Sus padres, Gopal Prasad e Indu Devi, se mudaron a Michigan en 1992. Realizó sus estudios universitarios en la Universidad de Michigan , especializándose en matemáticas y física. [1] Fiete luego se mudó a Boston para obtener su maestría y estudios de posgrado en la Universidad de Harvard en el Departamento de Física. [1] Fiete fue asesorado en neurociencia computacional por Sebastian Seung en el MIT [2] y en física por Daniel Fisher en Harvard . [3]En su título de posgrado, Fiete exploró los principios de aprendizaje y codificación en redes neuronales biológicas. [4]
Fiete completó sus estudios de posgrado en 2003 y se mudó por todo el país para ocupar un puesto como becaria postdoctoral en el Instituto Kavli de Física Teórica de la Universidad de California, Santa Bárbara, desde 2004 hasta 2006. [1] Durante este tiempo, Fiete fue también miembro visitante del Centro de Biofísica Teórica de la Universidad de California, San Diego . [1] De 2006 a 2008, Fiete se desempeñó como miembro de Broad Fellow en Brain Circuitry en Caltech bajo la tutoría de Christof Koch . [5]
Durante sus estudios de posgrado, Fiete y sus colegas utilizaron redes lineales de aprendizaje para demostrar que los códigos neuronales temporales dispersos minimizan la interferencia sináptica y facilitan el aprendizaje en los pájaros cantores. [6] Fiete luego comenzó a explorar los principios computacionales subyacentes a la plasticidad sináptica. [4] Propuso una regla de refuerzo sináptico para llevar a cabo un aprendizaje dirigido a objetivos en redes recurrentes de neuronas basadas en la frecuencia y en picos. La regla realiza un ascenso de gradiente estocástico en la recompensa. [4] Específicamente, si la señal de recompensa cuantifica el rendimiento de la red, entonces la regla de plasticidad puede impulsar el aprendizaje dirigido a objetivos en la red. [4]Fiete aplicó su modelo a datos neurofisiológicos de pájaros cantores y descubrió que la regla de aprendizaje basada en prueba y error era lo suficientemente rápida para explicar el aprendizaje en pájaros cantores. [7]
Cuando Fiete comenzó su investigación posdoctoral, comenzó a estudiar los principios de codificación de las células del cerebro que codifican la ubicación. En 2006, Fiete y sus colegas describieron un marco para comprender los cálculos de las células de la cuadrícula en la corteza entorrinal y cómo codifican las posiciones de las ratas. [8] Demostraron que la representación es análoga a un sistema de numeración de residuos, que permite que un pequeño número de células represente y actualice la posición de una rata en grandes distancias o múltiples entornos. [8] Esta hipótesis es muy diferente de otras sobre cómo se realiza la codificación en el cerebro, y este sistema numérico "amigable con la aritmética" destaca el ingenio de los códigos neuronales. [8]