Den viktiga forskningens kännetecken

2011-03-18

Följande inlägg återpubliceras från Pryltrend eftersom ämnet berörts också här: Max Planck skapar fullgod storhet när neuroners fina detaljer dokumenteras.

Oavsett hur otur Tyskland har haft med sina politiker både idag liksom flera gånger i historien har de åtminstone i områden jag följer mycket skickliga forskare och i ordets verkliga betydelse. En forskare kan göra ett gediget och mycket kompetent krävande arbete som adderar ett systematiskt värde men det innebär inte annat än sällan att det har det jag gärna kallar storhet.

Många resultat jag läst som haft denna egenskap har annat än sälla just varit uppmärksammat för det av andra där jag snarare än den mest bombastiska forskningen söker den som för området framåt i den mening att man kan se att de föregår andra större upptäckter.

För att anknyta till Funktionen hos morrhår och hörsel har vi i Three-dimensional axon morphologies of individual layer 5 neurons indicate cell type-specific intracortical pathways for whisker motion and touch den senaste i en under snart 1.5 år lång serie av mycket kompetent forskning inom neurovetenskap som precis som jag förväntat har accelererat allt närmare storhet.

Det har heller inte varit isolerat (det är sällan det även om det ofta finns en eller några viktiga personer man kan se) utan har rört allt från studier på vilda djur där vi såg intressant forskning om fladdermössens ekolod, ny kunskap om människan och tror jag oerhört viktig grundläggande kunskap om hur centrala nervsystemet och neuroner fungerar där det för det sista under 2011 gick in i tveklös storhet med t.ex. dessa två studier:

<>p> Slow integration leads to persistent action potential firing in distal axons of coupled interneurons
Dynamical Entropy Production in Spiking Neuron Networks in the Balanced State

Förutom att verkligen tillföra ny kunskap är det också kunskap man kan se har värde från ett mer konkret perspektiv än läkemedel och behandlingsmetoder som det ju dröjer innan det ev. har värde för genom att det ger oss bättre förståelse av hur hjärnan fungerar.

Här kan vi skåda att relationer och ekvationer som bara tagits som givna - jkabelekvationen m.m. - men egentligen kastat bort massor av information varit mer problematiska än bara för det där två viktiga fenomen missats. Dels vad man kan argumentera (även om det från den här studien är en lite längre tolkning) att neuronerna gör motsvarande error-bakc-propagation i något man kanske kan jämföra som besläktat med Monty-Hall problemet. Vidare att axonerna gör oberoende beräkningar och uttrycker vad som kan vara korrelation själva och det ser jag som en indikation på att de bibehåller viktig tillståndsinformation och söker långsam korrelation mellan sådant (vi kan jämföra med NREM som ju inte passat riktigt bra in med andra dröm-tillstånd).

När jag mer systematiskt försökt bredda ut koncept jag hade till min modell valde jag ut tror jag ursprungligen fem eller ses aktörer jag följde särskilt givet prestationer i området språk. De två jag fortfarande ser konkret värde att utvalt besöka och följa oftare (för Max Planck dock endast två gånger per månad eftersom de informerar mer sekventiellt samlat upplever jag och också därför att de tidigare varit svårare att följa direkt då de förr prioriterade webb-information sämre) mer än bara via den allmänna strömmen av pressmeddelanden om forskning, via journaler, och vetenskapsmagazin är Max Planck respektive MIT där både verkligen kompletterar varandra.

Via MIT får man ju också ofta om Harvard gjort något mer än vanligt för dem viktigt också reda på det men MIT:s inriktning är mer relevant från ett implementations perspektiv samtidigt som områden där Harvard riktat en sig har ju större delen av beprövad kunskap redan levererats för många år sedan. För MIT har jag dock varit road av att följa dem lite bredare för att få en vettig lättsam översikt mer runt om teknisk databehandling, fysik m.m.

Även Max Planck trots inriktningen med neuroscience på en väldigt låg nivå (små detaljer mycket exakt) upplever jag som relevant för implementation. Det ger en bättre bild av mekanismerna. Visst hade man bara kunnat tagit kabelekvationen men vilket varde hade det givit? Ingenting. Den kan ha värde om avbildningar ska tolkas men inte för något annat.

Aktörer som föll bort och som jag slutade följa lika regelbundet var University of California, Northwestern (delvis för jag alltid har svårt att minnas deras namn), ett par kanadensiska lärosäten betraktat mer samlat och University College of London.

Samtliga av dem tidigt när ett bredare perspektiv var viktigt gav dock väldigt stort värde. University of California gav det mer avslappnade soliga perspektivet på forskning med deras exkursioner ner i Sydamerika, ibland ovanligare perspektiv och särskilt tidigt 2010 ett flertal riktigt lärorika studier att läsa även för att behöva lära sig en del begrepp där de var lagom introduktioner genom att inte vara lika obegripliga som ex. studien om neuroner runt råttornas "perception" för morrhåren skulle ha varit då. En mycket viktig studie från University of California var också:

Zebra Finches Remember Songs Dad Sang; Discovery of Memory Mechanism Provides Clues to How Humans Learn Speech.

Därför att genom jag redan kunde markov processer och forskningen var gjord av och artikeln skriven av en fysiker var den väldigt begriplig för mig där det blev väldigt tydligt ungefär hur denna typ av inlärning och mekanism fungerar. Dess betydelse oavsett det bara rörande fakta som dokumenterades framgår i 4.4 Given information kommer först.

Vidare var det ett stycke väldigt elegant forskning genom att inte bara dokumentera och förklara ny kunskap utan även göra det på ett sätt där det lättare fungerar som byggstenar för andra forskare och företag via noggrant och korrekt beskrivna relationer som också visades genom en modell som implementeras. Det är dessutom ett kvalitetsmått genom att många feltänk som är lätta att göras filtreras bort den vägen. En av de tre trevligaste studier jag läste 2010.

UCL är den enda jag egentligen brytt mig att läsa nya studier om algoritmer från där de presterade som jag upptäckte direkt då ett riktigt intressant arbete om wavelets (se Kabelekvationen kanske fel om axoner räknar & New Scientiests värde).

Dessa levererade UCL en riktigt hög kvalitativ studie:

Dendritic discrimination of temporal input sequences in cortical neurons
(se Byggstenar: Dendriter och dendrit-träd för varför jag bedömer den som viktig).

Följande som jag kommer återvända till troligt längre fram är intressant:

Computer Intelligence Predicts Human Visual Attention for First Time

Även följande är intressanta och särskilt den första som jag antingen hade glömt eller missade:

Hand Study Reveals Brain's Distorted Body Model
Exploring Status Quo Bias in the Human Brain
How Believing Can Be Seeing: Context Dictates What We Believe We See

Vi kan för UCL liksom flera brittiska universitet notera att de ofta är ganska praktiskt inriktade mot modeller där de ju gör en hel del runt robotar. Även om forskningen både för det och var för sig håller kvalitet är jag egentligen tämligen tveksam till inriktningen på dom projekten rörande om de egentligen är bra inriktade mot något som kommer ge värde oavsett om vapenindustri, nöje eller ågot annat beaktas. Men det gäller ju många andra liknande projekt i andra länder också där jag upplever att problemet är att man antingen gör en enorm överdriven super grid-satsning som man tror ska magiskt börja lösa problem med massor av CPI:er och inträffar det inte är lösningen alltid alldeles runt hörnet oavsett om det är memristorer eller något annat (mest typiskt för amerikaner och numera tyskar) eller att man reducerar ner alldeles för mycket till enklare algoritmer vi vet inte just gör något spännande där små förändringar tnte kommer tillföra något (mer brittiskt) och varje steg till en mer praktiskt krävande applikation ex. för en robot är bara tror jag massor av tid som bättre hade lagts på smartare algoritmer.