Хава Зигельманн

Хава Зигельман

חוה זיגלמן

Дата рождения

23 августа 1964 года

Место рождения

Хайфа, Израиль

Хава Това Зигельманн (англ. Hava Tova Siegelmann, ивр. חוה זיגלמן) — израильский информатик, директор Лаборатории биологически вдохновленных нейронных и динамических систем в UMass Amher.

Биография

Родилась 23 августа 1964 года в Хайфе. Её сестра — Нава Зигельманн-Даниэли — врач-онколог.

Окончила Школу «Реали».

В 1988 год получила степень бакалавра с отличием по информатике в Технионе.

В 1992 году получила степень магистра еврейского университета в Иерусалиме.

В 1993 году получила докторскую степень в Университете Рутгерса.

Была преподавателем на факультете промышленной инженерии и управления в Технионе, в 1994—2000 — профессор и начальник отдела информационных систем Техниона.

В 1995 году опубликовала статью, в которой предположила, что аналоговые вычисления на основе нейронной сети могут решать нерегулярные языки Тьюринга.

В 2000 году отправилась в Массачусетский технологический институт.

С 2016 года работает в Агентстве перспективных военных исследований США (DARPA), где является директором программы Lifelong Learning Machines (L2M). Цель программы сформулирована учёной следующим образом: «Мы хотим достичь строгости в автоматизации и робототехнике наряду с гибкостью человека».

В 2017 году СМИ рассказали, что американские учёные «в области обороны разрабатывают технологию, которая сможет постоянно обновлять методы принятия решений — с учётом предыдущего опыта и уроков, извлеченных из ситуаций, с которыми она сталкивается. По словам руководителя проекта Хавы Зигельманна, ученые также попытаются понять, как быстро и качественно искусственный интеллект способен обучаться».

В декабре 2018 года СМИ сообщили, что применяя «20-летние данные функционального магнитно-резонансного томографирования (fMRI) из десятков тысяч экспериментов по визуализации мозга, вычислительные нейробиологи Хава Зигельманн и постдокторский коллега из Университета Массачусетса создали геометрический метод для массированного анализа данных для достижения нового понимания как мысли возникают из структуры мозга»:

Как объясняет Зигельманн, fMRI обнаруживает изменения в потоке нервного кровотока, позволяя исследователям связывать деятельность мозга с когнитивным поведением, таким как разговоры. Она говорит: «Исследования, основанные на ФМР, сделали замечательную работу, связанную с конкретными областями мозга с действиями. Но никто никогда не связывал десятки тысяч экспериментов, проведенных в течение десятилетий, чтобы показать, как физический мозг может вызвать абстрактную мысль».

Она и коллеги обнаружили, что когнитивная функция и абстрактная мысль существуют как агломерация многих корковых источников, начиная от тех, которые близки к сенсорным кортам, до гораздо более глубокого от них по мозговому соединению, или схемы подключения.

Авторы говорят, что их работа демонстрирует не только основную оперативную парадигму познания, но и показывает, что все когнитивные поведения существуют по иерархии, начиная с самых осязаемых поведений, таких как отбивание пальцев или боли, затем до сознания и распространения до самых абстрактных мыслей и таких как именование. Эта иерархия абстракции связана с соединительной структурой всего человеческого мозга.

Труды

• Neural Networks and Analog Computation : Beyond the Turing Limit, Birkhauser, Boston, December 1998 ISBN 0-8176-3949-7
• Cabessa, J.; Siegelmann, H. T. (2012). "The Computational Power of Interactive Recurrent Neural Networks". Neural Computation. 24 (4): 996–1019.
• H.T. Siegelmann and L.E. Holtzman, "Neuronal integration of dynamic sources: Bayesian learning and Bayesian inference," Chaos: Focus issue: Intrinsic and Designed Computation: Information Processing in Dynamical Systems 20 (3).
• Nowicki, D.; Siegelmann, H.T. (2010). "Flexible Kernel Memory". PLOS One. 5 (6): e10955.
• Olsen, M.M.; Siegelmann-Danieli, N.; Siegelmann, H.T. (2010). "Dynamic Computational Model Suggests that Cellular Citizenship is Fundamental for Selective Tumor Apoptosis". PLOS ONE. 5 (5): e10637.
• Pietrzykowski, A. Z.; Friesen, R. M.; Martin, G. E.; Puig, S.I.; Nowak, C. L.; Wynne, P. M.; Siegelmann, H. T.; Treistman, S. N. (2008). "Post-transcriptional regulation of BK channel splice variant stability by miR-9 underlies neuroadaptation to alcohol". Neuron. 59 (2): 274–287.
• Lu, S.; Becker, K.A.; Hagen, M.J.; Yan, H.; Roberts, A.L.; Mathews, L.A.; Schneider, S.S.; Siegelmann, H.T.; Tirrell, S.M.; MacBeth, K.J.; Blanchard, J.L.; Jerry, D.J. (2008). "Transcriptional responses to estrogen and progesterone in Mammary gland identify networks regulating p53 activity". Endocrinology. 149 (10): 4809–4820.
• Siegelmann, H.T. (2008). "Analog-Symbolic Memory that Tracks via Reconsolidation". Physica D: Nonlinear Phenomena. 237 (9): 1207–1214.
• Roth, F.; Siegelmann, H.; Douglas, R. J. (2007). "The Self-Construction and -Repair of a Foraging Organism by Explicitly Specified Development from a Single Cell". Artificial Life. 13 (4): 347–368.
• Leise, T.; Siegelmann, H.T. (2006). "Dynamics of a multistage circadian system". Journal of Biological Rhythms. 21 (4): 314–323.
• Loureiro, O.; Siegelmann, H. (2005). "Introducing an Active Cluster-Based Information Retrieval Paradigm". Journal of the American Society for Information Science and Technology. 56 (10): 1024–1030.
• Ben-Hur, A.; Horn, D.; Siegelmann, H.T.; Vapnik, V. (2001). "Support vector clustering". Journal of Machine Learning Research. 2: 125–137.
• Siegelmann, H.T.; Ben-Hur, A.; Fishman, S. (1999). "Computational Complexity for Continuous Time Dynamics". Physical Review Letters. 83 (7): 1463–1466.
• Siegelmann, H.T.; Fishman, S. (1998). "Computation by Dynamical Systems". Physica D. 120 (1–2): 214–235.
• Siegelmann, H.T. (1995). "Computation Beyond the Turing Limit". Science. 238 (28): 632–637.
• Sivan, S.; Filo, O.; Siegelman, H. (2007). "Application of Expert Networks for Predicting Proteins Secondary Structure". Biomolecular Engineering. 24 (2): 237–243.
• Eldar, S; Siegelmann, H. T.; Buzaglo, D.; Matter, I.; Cohen, A.; Sabo, E.; Abrahamson, J. (2002). "Conversion of Laparoscopic Cholecystectomy to open cholecystectomy in acute cholecystitis: Artificial neural networks improve the prediction of conversion". World Journal of Surgery. 26 (1): 79–85.
• Lange, D.; Siegelmann, H.T.; Pratt, H.; Inbar, G.F. (2000). "Overcoming Selective Ensemble Averaging: Unsupervised Identification of Event Related Brain Potentials". IEEE Transactions on Biomedical Engineering. 47 (6): 822–826.
• Karniely, H.; Siegelmann, H.T. (2000). "Sensor Registration Using Neural Networks". IEEE Transactions on Aerospace and Electronic Systems. 36 (1): 85–98.
• Siegelmann, H.T.; Nissan, E.; Galperin, A. (1997). "A Novel Neural/Symbolic Hybrid Approach to Heuristically Optimized Fuel Allocation and Automated Revision of Heuristics in Nuclear Engineering". Advances in Engineering Software. 28 (9): 581–592.