Aprendizaje automático científico y su aplicación al análisis y modelado de la dinámica cerebral

Abrevaya, Germán

Registro:

Documento:	Tesis Doctoral
Título:	Aprendizaje automático científico y su aplicación al análisis y modelado de la dinámica cerebral
Título alternativo:	Scientific Machine Learning and its application to the analysis and modeling of brain dynamics
Autor:	Abrevaya, Germán
Editor:	Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
Fecha de defensa:	2024-10-29
Fecha en portada:	2024
Grado Obtenido:	Doctorado
Título Obtenido:	Doctor de la Universidad de Buenos Aires en el área de Ciencias Físicas
Departamento Docente:	Departamento de Física
Director:	Cecchi, Guillermo Alberto
Director Asistente:	Ponce Dawson, Silvina Martha
Consejero:	Otero y Garzón, Gustavo Javier
Jurado:	Díaz, Rodrigo Fernando; Samengo, Inés; Chernomoretz, Ariel
Idioma:	Español
Palabras clave:	APRENDIZAJE AUTOMATICO; SciML; SISTEMAS DINAMICOS; MODELADO DIFERENCIABLE; NEUROCIENCIA COMPUTACIONAL; DINAMICA CEREBRAL; NEURAL ODEs; VAN DER POL; GOKU-netsMACHINE LEARNING; SciML; DYNAMICAL SYSTEMS; DIFFERENTIABLE MODELING; COMPUTATIONAL NEUROSCIENCE; BRAIN DYNAMICS; NEURAL ODEs; VAN DER POL; GOKU-nets
Formato:	PDF
Handle:	https://hdl.handle.net/20.500.12110/tesis_n7655_Abrevaya
PDF:	https://bibliotecadigital.exactas.uba.ar/download/tesis/tesis_n7655_Abrevaya.pdf
Registro:	https://bibliotecadigital.exactas.uba.ar/collection/tesis/document/tesis_n7655_Abrevaya
Ubicación:	FIS 007655
Derechos de Acceso:	Esta obra puede ser leída, grabada y utilizada con fines de estudio, investigación y docencia. Es necesario el reconocimiento de autoría mediante la cita correspondiente. Abrevaya, Germán. (2024). Aprendizaje automático científico y su aplicación al análisis y modelado de la dinámica cerebral. (Tesis Doctoral. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales). Recuperado de https://hdl.handle.net/20.500.12110/tesis_n7655_Abrevaya

Resumen:

Esta tesis explora y desarrolla nuevos métodos en el campo emergente del Aprendizaje Automático Científico, también conocido como Scientific Machine Learning (SciML). Este enfoque busca integrar el modelado matemático tradicional basado en ecuaciones diferenciales con técnicas avanzadas de aprendizaje automático. En años recientes, se ha observado un creciente interés en la aplicación de métodos de aprendizaje automático en neurociencia. Sin embargo, estos modelos a menudo funcionan como cajas negras y suelen requerir grandes cantidades de datos de entrenamiento, no siempre disponibles. Este trabajo nace de la necesidad de desarrollar métodos interpretables y eficientes en el uso de datos, capaces de capturar la naturaleza compleja de la actividad cerebral. Con este fin, en primer lugar hacemos un relevamiento detallado de varios de los abordajes posibles enfocándonos en los así llamados modelos generativos. A continuación, exploramos dos enfoques distintos que incorporan conocimiento previo sobre el sistema a modelos generales de machine learning. En el primero de los dos enfoques, desarrollamos un método híbrido que combina osciladores de van der Pol con deep learning. Presentamos un nuevo método de estimación de parámetros para ajustar modelos de van der Pol acoplados a series temporales multivariadas basadas en neuroimágenes de pez cebra, rata y humanos. Los modelos resultantes ofrecen información sobre la conectividad funcional cerebral y muestran un rendimiento competitivo en la predicción de la actividad neuronal futura. Además, demostramos cómo estos modelos dinámicos pueden utilizarse como un método de data augmentation, mejorando notablemente el desempeño predictivo de los modelos de deep learning. El segundo enfoque explora una integración más profunda entre el machine learning y los modelos de sistemas dinámicos dentro del marco del modelado diferenciable. Introducimos GOKU-UI, una mejora de las GOKU-nets. Las GOKU-nets son modelos generativos que codifican series temporales en un espacio latente gobernado por ecuaciones diferenciales predefinidas, aprendiendo simultáneamente la transformación del espacio original al latente y los parámetros de las ecuaciones. GOKU-UI se construye sobre las bases de este modelo, incorporando mecanismos de atención y una novedosa estrategia de entrenamiento de multiple shooting en el espacio latente. Evaluamos GOKU-UI utilizando osciladores estocásticos de Stuart-Landau para modelar la dinámica en el espacio latente, demostrando capacidades superiores de reconstrucción y pronóstico tanto en datos simulados como empíricos de neuroimágenes, superando a los modelos de referencia incluso con conjuntos de datos de entrenamiento significativamente más pequeños. Al codificar la dinámica del cerebro entero en representaciones interpretables de baja dimensión, este trabajo contribuye tanto al problema fundamental de avanzar en una comprensión más profunda de la dinámica cerebral como al desafío práctico de construir modelos predictivos precisos a partir de datos de neuroimágenes, con posibles aplicaciones en diagnóstico clínico y neurotecnología. Más allá del ámbito específico de la neurociencia, en última instancia, esta tesis impulsa el campo del Scientific Machine Learning, demostrando el potencial de combinar el conocimiento previo del sistema y el modelado tradicional de la física con técnicas modernas de machine learning.

Abstract:

This thesis explores and develops novel methods within the emerging field of Scientific Machine Learning (SciML), integrating traditional mathematical modeling based on differential equations with recent techniques from Machine Learning. In recent years, there has been a growing interest in applying machine learning methods to neuroscience. However, these models often operate as black boxes and typically require large amounts of training data, which are not always available. This work is motivated by the need for interpretable, data-efficient methods that can capture the complex nature of brain activity. To this end, we explore two distinct approaches that incorporate prior knowledge about the system into general machine learning models. In the first part, we develop a hybrid approach combining van der Pol oscillators with deep learning. A novel parameter estimation method is introduced to fit coupled van der Pol models to multivariate neural time series from zebrafish, rat, and human neuroimaging data. The resulting models provide anatomically meaningful insights into brain connectivity and demonstrate competitive performance in predicting future neural activity. Furthermore, we show how these dynamical models can serve as a data-augmentation tool, leading to marked improvements in the predictive accuracy of deep learning models. The second part explores a deeper integration between machine learning and dynamical systems models within the framework of differentiable modeling. We introduce GOKU-UI, an enhancement of GOKU-nets. GOKU-nets are a class of generative models that encode time series into a latent space governed by predefined differential equations, simultaneously learning the transformation from the original space to the latent space and the equation parameters. GOKU-UI builds upon this model, incorporating attention mechanisms and a novel multiple shooting training strategy in the latent space. We evaluate GOKU-UI using stochastic Stuart-Landau oscillators as the core dynamical model, demonstrating superior reconstruction and forecasting abilities on both simulated data and empirical neuroimaging data, outperforming baseline models even with significantly smaller training datasets. By encoding whole-brain dynamics into low-dimensional, interpretable representations, this work contributes to both the fundamental problem of gaining neuroscientific insights and the practical challenge of building accurate predictive models from neuroimaging data, with possible applications for clinical diagnosis and neurotechnology. Beyond the specific field of neuroscience, this thesis ultimately advances the field of Scientific Machine Learning, demonstrating the potential of integrating established scientific insights and traditional physics modeling with modern machine learning techniques.

Citación:

---------- APA ----------

Abrevaya, Germán. (2024). Aprendizaje automático científico y su aplicación al análisis y modelado de la dinámica cerebral. (Tesis Doctoral. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.). Recuperado de https://hdl.handle.net/20.500.12110/tesis_n7655_Abrevaya

---------- CHICAGO ----------

Abrevaya, Germán. "Aprendizaje automático científico y su aplicación al análisis y modelado de la dinámica cerebral". Tesis Doctoral, Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales, 2024.https://hdl.handle.net/20.500.12110/tesis_n7655_Abrevaya

Estadísticas:

Descargas totales desde :

Navegar

Colección

Tesis Doctoral