Contenuto
Ti trovi in: HOME »Programmi, progetti e risultati »I progetti »PRIN - Programmi di ricerca di Rilevante Interesse Nazionale»Programma di ricercaINIZIO_TESTO_DA_INDICIZZARE
PROGRAMMA DI RICERCA 2004
italiano - english
Unità di Ricerca
- Università della CALABRIA
LINGUISTICA
ARCAVACATA DI RENDE(CS) - Università degli Studi di TORINO
PSICOLOGIA
TORINO(TO) - Università degli Studi di GENOVA
INGEGNERIA DELLA PRODUZIONE
GENOVA(GE) - Università Politecnica delle MARCHE
Morfologia umana normale
ANCONA(AN) - Seconda Università degli Studi di NAPOLI
MATEMATICA
CASERTA(CE)
Programmi di ricerca simili:
- 1 - Sistemi e calcoli di ispirazione biologica e loro applicazioni -- BISCA
- 2 - Systems Biology: modellazione, linguaggi e analisi (Sybilla)
- 3 - Approssimazione di reti di sistemi dinamici non lineari (modelli di neuroni biologicamente plausibili) e realizzazione di circuiti a struttura parallela per la loro emulazione
- 4 - Modellazione dinamica e controllo di strutture meccaniche complesse caratterizzate da parametri incerti
- 5 - Sintesi automatica di modelli astratti a partire da dati temporali o spaziali
- 6 - Rischio ed ambiguità: nuove teorie ed applicazioni all'analisi dei mercati ed al disegno delle istituzioni
- 7 - Integrazione delle informazioni nel sistema visivo: modelli computazionali dei processi sensoriali e decisionali
- 8 - Analisi sperimentale, modellazione e simulazione di reattori slurry per l'abbattimento di inquinanti
- 9 - Meccanismi computazionali e neurali di apprendimento e controllo sensorimotorio
- 10 - Complessi porfirinici autoorganizzati su scala nanoscopica: proprietà e applicazioni tecnologiche
Classificazione scientifico-disciplinare
- Area scientifico disciplinare: Scienze matematiche e informatiche
- Area scientifico disciplinare: Scienze storiche, filosofiche, pedagogiche e psicologiche
- Area scientifico disciplinare: Scienze mediche
Classificazione geografica
- Regione: Calabria
Bibliografia
Arcella A., Bertacchini P.A., Bilotta E., Gabriele L. (2003). Progettare il comportamento di un robot: un esperimento didattico, I Workshop Italiano di Vita Artificiale, Arcavacata di Rende (CS).Bak P. (1996). How Nature Works: The Science of Self-Organized Criticality. Copernicus Books.
Bertacchini P. A., Bilotta E., Gabriele L., Pantano P., Servidio R. (2003). Investigating cognitive processes in robotic programmers developed by children in educational context. Proceeding of International Conference On Simulation And Multimedia in Engineering Education/Western MultiConference on Computer Simulation (ICSEE/WMC'03), Orlando (Florida) January 19-23.
Bilotta E., Lafusa A., Pantano P. (2003a). Life-like self-reproducers. Complexity. vol. 9-1, pp. 38-55.
Bilotta E., Lafusa A., Pantano P. (2003b). Searching for complex CA rules with GAs, Complexity. Complexity. vol. 8-3, pp. 56-67.
Bilotta E., Pantano P. (2004). Emergent Patterning Phenomena in 2D Cellular Automata. To appear In Artificial Life.
Bucciarelli M., Johnson-Laird P. N. (1999). Strategies in syllogistic reasoning. Cognitive Science, vol. 3(3) pp. 247-303.
Cangelosi A., Parisi D. (2002). Computer simulation: A new scientific approach to the study of language evolution. In A. Cangelosi, D. Parisi, Simulating the evolution of language, London: Springer, 3-28.
Cianci A., Vignolo, S., Bruno D. (2003). The geometrical framework for Yang-Mills theories Journal of Physics A-Mathematical and General, vol. 36 pp. 8341-8358.
Crutchfield J.P., Schuster P. (eds.) (2001). Evolutionary Dynamics. Exploring the Interplay of Accident, Selection, Neutrality, and Function. Oxford, Oxford University Press.
Cull P. (1996). Neural nets: classical results and current problems. In (eds.) R. Moreno-Diaz and J. Mira-Mira, Brain processes, theories and models. Cambridge, MA, MIT Press.
FatibeneL., Francaviglia M., MacLenaghan R. (2002). Generalized symmetries in Mechanics and Field Theory, Journal of Mathematical Physics, 43, 6, 3147-3161.
Freeman W. J.(1991). The Physiology of Perception, Scientific American, Vol 264, (2), 78-85.
Funaro A., Reinis M., Trubiani O., Santi S., Di Primio R., Malavasi F. (1998). CD38 functions are regulated through an internalization step, Journal of Immunology, 1, 160(5),2238-47.
Gazzaniga M. S. (2000). The New Cognitive Neuroscience. Cambridge, MA, MIT Press.
Gell-Mann M. (1994). The Quark and the Jaguar: Adventures in the Simple and the Complex. New York, Published by W. H. Freeman and Company.
Gray C.M., König P., Engel A.K., Singer W. (1989). Oscillatory responses in cat visual cortex exhibit inter-columnar synchronization which reflects global stimulus properties. Nature 338, 334-337.
Grossberg S. (1988). Neural networks and natural intelligence.Cambridge, MA, MIT Press.
Haken H. (1998). Can we apply Synergetics to the human Sciences? In G. Altman and W. A. Koch (Eds.), Systems, New Paradigms for the Human Sciences. Walter de Gruyter, 58 -78.
Haken H. (2003). Intelligent Behavior: A Synergetic View. In Tschacher W. and Dauwalder J.P. (Eds), The Dynamical Systems Approach to Cognition. Concepts and Empirical Paradigms Based on Self-Organization, Embodiment and Coordination Dynamics, Studies of Nonlinear Phenomena in Life Science Vol. 10, New Jersey, World Scientific.
Harnad S. (1990). The Symbol Grounding Problem, Physica D, 42, 335-346.
Hopfield J. (1982). Neural networks and physical systems with emergent collective computational abilities. Proceedings of the National Academy of Sciences of the USA, 9,2554.
Jennings N.R.(2001): An agent-based approach for building complex software systems. Communications of the ACM, 44(4), 35-41.
Kauffman. S.A (1993). Origins of Order: Self-Organization and Selection in Evolution. Oxford, Oxford University Press.
Kauffman S.A. (2000). Investigations. Oxford, Oxford University Press.
Keijzer F. (2002). Representation in dynamical and embodied cognition, Cognitive Systems Research, 3, 275–288.
Kelso J. A. S. (1995). Dynamic Patterns: the self-organization of brain and behavior. Cambridge, MA, MIT Press.
Langton C. (1994) Artificial Life III. Santa Fe, Perseus Publishing.
Lorenz E. N. (1972). Predictability: Does the flap of a butterfly's wings in Brazil set off a tornado in Texas, paper presented to AAAS, Washington, D.C.
Lotka A. J. (1925). Elements of physical biology. Baltimore, Williams & Wilkins Co.
Maes, P., Darrell T., Blumberg B., and Pentland A. (1994) Interacting with Animated Autonomous Agents. Proceedings of the AAAI Spring Symposium on Believable Agents, March 1994.
Markman A. and Dietrich E. (2000) Extending the classical view of representation. Cognitive Psychology 40, 138-171.
Massa E., Pagani E., Vignolo S. (2003). Legendre Transformation and Analytical Mechanics: a geometric approach, Journal of Mathematical Physics, 44, 1709-1722.
Metzger M. A. (1997). Applications of nonlinear dynamic systems theory in developmental psychology: Motor and cognitive development. Nonlinear Dynamics, Psychology, And Life Sciences 1(1), 55-68.
Nolfi S., Floreano D. (2000). Evolutionary Robotics: The Biology, Intelligence, and Technology of Self-Organizing Machines. Cambridge, MA, MIT Press/Bradford Books.
Olivetti Belardinelli M., Rossi-Arnaud C. (1999). Recollection and familiarity in recognition memory for musical themes. In Vandierendonck A., Brysbaert M., Van Der Goten K. (Eds), XI Conference of European Society for Cognitive Psychology, Academia Press.
Olivetti Belardinelli M. (2000). Structuring factors in musical processing. Proceedings of the 6th International Conference on Music Perception, Keele University.
Olivetti Belardinelli M., Rossi-Arnaud C., Pitti G., Vecchio S. M. (2000). Looking for the anchor points for musical memory. Proceedings of the 6th International Conference on Music Perception, Keele University.
Reinis M., Morra M., Funaro A., Di Primio R., Malavasi F. (1997). Functional associations of CD38 with CD3 on the T-cell membrane. Journal of Biological Regulators Homeost. Agents, 11(4), 137-42.
Rose S. (1992). The Making of Memory, Bantam Press, London.
Strogatz S. (2003). Sync: The Emerging Science of Spontaneous Order. Hyperion Press.
Thelen E., Smith L. B. (1994). A Dynamic Systems Approach to the Development of Cognition and Action. Cambridge, MA, MIT Press.
Trubiani O., De Fazio P., Pieri C., Mazzanti L., Di Primio R. (2000). Nuclear matrix provides linkage sites for translocated NF-kappa B: morphological evidence. HIstochem Cell Biology, 113(5), 369-77.
van Gelder T. J., (1995). The distinction between mind and cognition. In Houng Y. H. and Ho J. C.(Eds.), Mind and Cognition. Taipei, Academia Sinica, 57-82.
van Gelder T. J., Port R. (1995). It's About Time: An Overview of the Dynamical Approach to Cognition. In Port R. and van Gelder T.J. (Eds.), Mind as Motion: Explorations in the Dynamics of Cognition. Cambridge MA, MIT Press, 1-43.
van Gelder T. J. (1998a). The dynamical hypothesis in cognitive science, Behavioral and Brain Sciences, 21, 1-14.
van Gelder T. J. (1998b). Disentangling dynamics, computation, and cognition, Behavioural and Brain Sciences, 21, 40-7.
Volterra V. (1926). Variazioni e fluttuazioni del numero d'individui in specie animali conviventi. Mem. R. Accad. Naz. dei Lincei. Ser. VI, vol. 2.
von Neumann J. (1966). Theory of Self-Reproducing Automata. Edited and completed by A. W. Burks. University of Illinois Press, Urbana, Illinois.
Wu C. W., Chua L. O. (1994). A unified framework for synchronization and control of dynamical systems. Int. J. Bifurcation and Chaos 4, 979-998.
Parole Chiave
SISTEMI DINAMICI; EMERGENZA E CRESCITA DI CATEGORIE COGNITIVE; MODELLI MENTALI; APPRENDIMENTO E NUOVE TECNOLOGIE; RETI NEURALI; MODELLI DI ANALISI DI DATI FMRI; ORGANOGENESI; SISTEMA NERVOSO CENTRALE; MODELLI MATEMATICIModellizzazione Matematica del Comportamento Naturale e Artificiale
Università della CalabriaAbstract
Obiettivo del progetto è raccogliere competenze fortemente interdisciplinari e definire metodi e strumenti per modellizzare il comportamento naturale e artificiale.Infatti, le unità di ricerca appartengono a diverse aree scientifiche, i cui settori si articolano in modo armonico nelle unità, opportunamente distribuite territorialmente. Tale scelta è volta ad allargare i tradizionali confini disciplinari, con la creazione di aree tematiche comuni e la condivisione di strumenti, ad hoc realizzati, per la simulazione, la raccolta di dati significativi, la possibilità di visualizzare e interpretare tali dati, con l'ausilio di nuove metodiche per la loro interpretazione.
Le principali domande che tale progetto si pone sono: quali tipi di processo sono incorporati nelle dinamiche biologiche interne del comportamento? Come è possibile caratterizzare e rappresentare tali dinamiche? Quali sono gli strumenti per simulare tali dinamiche?
Il progetto si basa sull'idea che dai processi di organogenesi del sistema nervoso centrale ai processi cognitivi superiori, le componenti architetturali che gestiscono tali funzioni si articolino in strutture (patterns), a differenti livelli di scala, che tali modelli strutturali siano emergenti e auto-organizzanti, anche se le componenti materiali dell'architettura di un determinato processo possono essere diverse. Si intendono per strutture emergenti quelle proprietà di un sistema che nel tempo creano strutture dinamicamente >>>
Coordinatore Scientifico del Programma di Ricerca
Eleonora BILOTTA Università della CALABRIAObiettivo del Programma di Ricerca
Il progetto si propone, nel panorama italiano, un approccio innovativo interdisciplinare allo studio, simulazione e riproduzione in ambiente artificiale di fenomeni e modelli comportamentali complessi, introducendo nuove metodologie di modellizzazione e procedure di verifica sperimentale dei modelli proposti.Gli obiettivi generali che nel contesto, il progetto propone sono:
1. dar vita in Italia ad un settore interdisciplinare anche formando i giovani ricercatori in questo ambito;
2. realizzare un'integrazione di metodi, strumenti e approcci concettuali attraverso le aree coinvolte, contribuendo all'avanzamento della ricerca nelle tematiche specifiche descritte;
3. favorire il trasferimento tecnologico dei nuovi risultati ottenuti con applicazioni all'industria anche culturale.
In dettaglio:
1. Il progetto coinvolge ricercatori di tre aree scientifiche (Scienze Umane, Biomedica, Matematica) col presupposto di favorire una più stretta integrazione fra competenze differenti, che già interagiscono, seppur più episodicamente, per definire metodi e strumenti di modellizzazione matematica del comportamento naturale e artificiale, all'interno del settore scientifico dei "sistemi complessi". Questo nuovo settore studia come le parti di un sistema diano origine a comportamenti collettivi dello stesso organismo (biologico o artificiale) e come il sistema interagisce con l'ambiente. Esso, ancor poco sviluppato, è largamente sconosciuto nel >>>
Risultati parziali attesi
I risultati parziali per tale fase sono i seguenti, distribuiti per le unità che vi partecipano.Unità 1:
1. studio di modelli matematici per automi cellulari, applicando i metodi gia' sperimentati con singole cellule nervose, compatibili con fenomeni di risonanza stocastica in reti di neuroni.
2. Metodi per classificare dati sperimentali relativi a strutture emergenti in automi cellulari come se fossero gruppi di cellule nervose. La ricostruzione di possibili interconnessioni tra le diverse cellule richiede una prima classificazione dei segnali ricevuti, in modo da poter formulare ipotesi biologicamente compatibili con le osservazioni fatte. Metodologie ad hoc per studiare il problema inverso, il passaggio di un processo di diffusione attraverso una barriera.
3. Studio di algoritmi per filtrare il rumore in serie storiche, basati su metodologie biologicamente compatibili con meccanismi cerebrali. Rilevazione di pattern spazio temporali che appaiono con una frequenza che non può essere ritenuta casuale nei segnali cerebrali. Lo studio dei patterns e delle loro eventuali simmetrie può aiutare a comprendere i metodi di filtraggio utilizzati dal cervello.
Unità 3:
- Implementazione di una rete neurale per: a) lo studio semplificato su stimoli aventi una struttura temporale (ritmica semplice, ritmica complessa, parzialmente o totalmente stocastica); b) lo studio di stimoli strutturati sia temporalmente (ritmica, prosodia) che >>>
Durata
24 mesiBase di partenza scientifica nazionale o internazionale
Il problema di modellizzare il comportamento, naturale e artificiale, è da tempo oggetto di indagine da parte di numerosi ricercatori, in diversi settori disciplinari.Nell'area della modellizzazione dei processi cognitivi, la metafora più influente utilizzata è che l'entità biologica mente-cervello sia un computer. Tale idea è stata produttiva e generatrice di molte sofisticate applicazioni tecnologiche. Abbiamo sistemi che vincono giocando a scacchi contro campioni umani, sistemi che imparano e robots che interagiscono con umani, adattando il loro comportamento a diverse situazioni ambientali (Maes et al., 1994; Jennings, 2001). Altri strumenti per modellare il comportamento biologico sono le reti neurali (Hopfield, 1982, Grossberg, 1988; Cull, 1996), modelli semplificati di neuroni naturali, che possono essere addestrati per svolgere compiti cognitivi. Le reti neurali possono riconoscere, categorizzare insiemi di oggetti ed imparare, stivare l'informazione o anche ricostruire un'informazione incompleta. Studi recenti hanno rivoluzionato la modellizzazione dei processi cognitivi, sostenendo che un processo intelligente necessita di un corpo e che i simboli sono incorporati nell'ambiente in cui il soggetto umano o animale vive (Harnad, 1990). Questo può essere applicato agli esseri umani, agli animali e agli agenti artificiali. Infatti, ci sono capacità che agenti umani e/o artificiali possiedono al fine di vivere e comportarsi con successo nel loro ambiente >>>



