Grant: Collaborative Science, Technology and Innovation Program - Collaborative R&D Initiatives

This agreement has been amended 1 time(s). The end date of this agreement has been modified by 211 days.

Cet accord a été modifié 1 fois. La date de fin du présent accord a été changé de 211 jours.

The aim of this project is to take an existing high-level abstract model of how reinforcement learning (RL) occurs, and ground it in detailed biology and molecular-level dynamics of the basal ganglia. That is, the project team will show how these low-level molecular details combine with biological structures (neurons and synapses in the basal ganglia) to produce overt behavior. Animals and humans can select actions that are continuous, e.g. how hard to turn a knob, or that are extended through time, e.g. reach and grasp trajectories. The basal ganglia in the mammalian brain is thought to be associated with this kind of action selection, acting as a control mechanism for initiating actions. Models of the basal ganglia, however, are generally based on reinforcement learning theory that treat both action spaces and time as inherently discrete. However, in recent work (funded )under the NRC’s AI for Logistics program), a completely continuous theory has been developed. This theory, while compatible with the biology of the basal ganglia, is specified at a high level with abstract components and variables. This project proposes to connect this theory to the actual biological details of the basal ganglia at the level of biological connectivity, neurotransmitters, and other molecules. The primary focus will be on two areas: the biological realism of the inputs to the basal ganglia, including reward representations; and the biological realism of the continuous outputs from the basal ganglia, enabling selection in continuous action spaces. Given the resulting model, the team will then explore the effects of varying low-level molecular details (such as the concentrations of GABA, glutamate, cholesterol, etc.) on high-level behaviour such as navigating T-mazes and the Morris Water Maze.

L’objectif de ce projet consiste à utiliser un modèle abstrait de haut niveau de l’apprentissage par renforcement et à l’ancrer dans la biologie détaillée et la dynamique au niveau moléculaire des noyaux gris centraux ou basaux. En d’autres mots, l’équipe du projet montrera la façon dont ces détails moléculaires de bas niveau se combinent avec les structures biologiques (neurones et synapses dans les noyaux basaux) pour produire un comportement manifeste. Les animaux et les humains peuvent sélectionner des actions continues, comme la force utilisée pour tourner un bouton, ou des actions qui se prolongent dans le temps, comme suivre une trajectoire pour atteindre ou saisir un objet. On pense que les noyaux basaux du cerveau des mammifères sont associés à ce type de sélection d’actions, agissant comme un mécanisme de contrôle pour les mettre en branle. Les modèles de noyaux basaux, cependant, reposent généralement sur la théorie de l’apprentissage par renforcement qui traite à la fois les espaces d’action et le temps comme intrinsèquement discrets. Toutefois, des travaux récents (financés par le programme Défi « l’IA au service de la logistique » du CNRC) ont permis de mettre au point une théorie entièrement continue. Cette théorie, bien que compatible avec la biologie des noyaux basaux, est spécifiée à un niveau élevé avec des variables et composants abstraits. Ce projet propose donc de relier cette théorie aux détails biologiques réels des noyaux gris centraux au niveau de la connectivité biologique, des neurotransmetteurs et d’autres molécules. L’accent sera mis sur deux domaines : le réalisme biologique des entrées dans ces noyaux, y compris les représentations de la récompense, et le réalisme biologique des sorties continues des noyaux basaux, qui permet la sélection dans des espaces d’action continus. À partir du modèle obtenu, l’équipe étudiera les effets de la variation des détails moléculaires de bas niveau (tels que les concentrations de GABA, de glutamate, de cholestérol, etc.) sur le comportement de haut niveau, tel que la navigation dans les labyrinthes en T et le labyrinthe aquatique de Morris.

In the short term, anticipated outcomes will be strengthened collaborations across industry, academia, and government to support research excellence. In the medium term, anticipated outcomes will be the development of new and potentially disruptive technologies with collaborators. In the long term, find collaborative solutions to public policy challenges and create stronger innovation systems.

À court terme, les résultats prévus seront des collaborations renforcées entre l'industrie, le milieu universitaire et le gouvernement pour soutenir l'excellence en recherche. À moyen terme, les résultats attendus seront le développement de nouvelles technologies potentiellement perturbatrices avec des collaborateurs. À long terme, trouver des solutions collaboratives aux défis des politiques publiques et créer des systèmes d'innovation plus solides.

Collaborate on multiparty research and development programs to catalyze transformative, high-risk, high-reward research with the potential for game-changing scientific discoveries and technological breakthroughs in priority areas.

Collaborer à des programmes multipartites de recherche-développement dans le but de profiter de la synergie entre la recherche transformatrice à haut risque et à haut rendement et le potentiel de découvertes scientifiques et de percées technologiques révolutionnaires dans des secteurs d’intervention prioritaires.