Magnus Johnsson

Kognitionsforskare, datalog

magnus@magnusjohnsson.se

Home

CV

Conferences

Publications

Consciousness

Action Recognition

Imagination

Associative Self-Organizing Map

Neural Networks

AI in Medicine

Robotics

Haptic Perception

Other Research

Teaching

Expert Consulting

Forthcoming

Follow me on ResearchGate

View Magnus Johnsson's profile on LinkedIn

Presentation

This page in English

Förstå hjärnan BrainPuzzle.jpg width=

Jag är tvärvetenskaplig forskare och expertrådgivare inom maskininlärning och artificiell intelligens. Jag är också intresserad av användningen av artificiell intelligens, maskininlärning, kognitionsvetenskap och annan kunskap för att förstå och spekulera på marknader. Även om jag har examina så är jag också i stor utsträckning autodidakt. Mina forskningsintressen är breda och inkluderar, men är inte begränsade till, datormodellering, artificiella neurala nätverk, artificiell intelligens, kognitiv neurovetenskap, kognitiv robotik, data science, kognitiva arkitekturer, kognitiva hjälpmedel och medvetandefilosofi.

Artificiell intelligens är den disciplin där man studerar hur man kan skapa maskiner och datorprogram som uppvisar intelligenta beteenden. Artificiell intelligens inbegriper underdisciplinen maskininlärning där man studerar hur man skapar maskiner och datorprogram som kan lära sig. En särskild typ av datormodeller som kallas för artificiella neurala nätverk är en typ av algoritmer (t ex uttryckta i form av datorprogram) med förmåga att lära sig. Artificiella neurala nätverk är signalflödesmodeller som försöker efterlikna, eller är inspirerade av, funktionen i biologiska neurala nätverk, dvs. sådana som vi återfinner i människors och djurs nervsystem.

Det finns olika typer av artificiella neurala nätverk, men gemensamt för dem alla är att de lär sig genom exempel. En typ av artificiella neurala nätverk behöver utsättas för både stimuli och responser under inlärningsprocessen. En annan typ kräver endast stimuli och organiserar sig själv till en representation som på ett ordnat sätt representerar den mängd av stimuli som modellen utsatts för. Ett exempel på den senare typen är vad som kallas för självorganiserande kartor.

Inom kognitiv neurovetenskap studerar man hur hjärnan möjliggör mentala fenomen, tankar, perceptioner, beteenden och känslor. Ett användningsområde för denna kunskap är att inspirera och föreslå lämplig design av kognitiva arkitekturer (t ex implementerade som datorprogram) som kan användas inom kognitiv robotik, där man försöker utveckla robotar med kognitiva arkitekturer som medger att robotarna kan lära sig och utveckla perceptioner och adekvata beteenden genom sin interaktion med omgivningen.

Data science, som inte har någon riktigt bra svensk översättning, är det tvärvetenskapliga studiet av metoder, processer och system för att extrahera ut insikter och kunskaper från data. Inom medvetandefilosofi studerar man medvetandets natur.

Jag har två huvudsakliga mål med det jag gör, att försöka förstå hur hjärnor, kognition (tänkande) och medvetande fungerar från ett systemperspektiv genom datormodellering, och att utveckla artificiell intelligensmetoder och artificiella kognitiva arkitekturer. Jag är intresserad av tillämpningar av artificiell intelligens för att lösa praktiska problem, till exempel inom medicinsk diagnostisering och liknande beslutsstöd, prognoser, strategi och kontroll av robotar. Jag är också intresserad av entreprenörskap / kommersialisering och utforskar därför mina idéer ur ett entreprenörsperspektiv också. Jag är också nyfiken på medvetandet och qualia (dvs. den subjektiva kvaliteten hos medvetna upplevelser), såväl som på kunskapsteoretiska och andra filosofiska frågor.

Artificiell Intelligens ArtificialIntelligence.jpg width=

Jag forskar om artificiella neurala nätverk och andra typer av maskininlärning, samt maskininlärningstillämpningar och andra tillämpningar, t.ex. artificiell intelligens inom medicinsk diagnosticering och data mining. Jag har ett särskilt starkt intresse för självorganiserande neurala nätverk, och jag har uppfunnit några nya varianter av den av Teuvo Kohonen uppfunna självorganiserande kartan. En självorganiserande karta består av en matris av artificiella neuron som efter en inlärningsfas kan representera en viss typ av stimuli på ett ordnat sätt, t ex kan den genom att utsättas för en mängd olika färger lära sig att representera dessa så att alla blå nyanser ligger ordnade i en viss del av kartan, medan alla gröna och gula ligger representerade i andra delar. Övergångarna i representationerna är gradvisa.

En av de varianter jag har uppfunnit är den associativa självorganiserande kartan. Denna skapades först för att användas som ett byggblock (som förenklat modellerar ett kortikalt område i hjärnan) i artificiella kognitiva arkitekturer. En associativ självorganiserande karta kan lära sig att associera aktiviteten i sin självorganiserade representation av inmatad data med godtyckligt många uppsättningar av parallell indata. Den kan till exempel lära sig att associera sin aktivitet med aktiviteten i en annan associativ självorganiserande karta eller med sin egen aktivitet vid en eller flera tidigare tidpunkter. Detta möjliggör tvärmodala förväntningar, t ex om en sinnesmodalitet, säg det visuella systemet i en kognitiv arkitektur, producerar ett visst internt aktivitetsmönster till följd av sensorisk indata så triggas aktivitetsmönster i andra sinnesmodaliteter som motsvarar de aktivitetsmönster som ofta triggas i dessa andra sinnesmodaliteter av den sensoriska indata som normalt förekommer samtidigt, även när den inte gör det. T ex så möjliggör detta skapandet av en förväntan och föreställning av en åskknall i det auditiva systemet efter den visuella perceptionen av en blixt. Användandet av associativa självorganiserande kartor möjliggör också vad som kan ses som mental föreställningförmåga i en artificiell kognitiv arkitektur genom en mekanism som kallas för intern simulering. Enligt den interna simuleringshypotesen, som föreslagits av Germund Hesslow och som är relaterad till spegelneuronteorin, är detta en avgörande mekanism i människans (och djurs) föreställningsförmåga. Den interna simuleringshypotesen föreslår att när vi föreställer oss att vi upplever något eller att vi agerar på ett visst sätt, så framkallas liknande neurala aktivitetsmönster i samma hjärnområden som om vi faktiskt hade dessa upplevelser eller som om vi faktiskt agerade på det sätt vi föreställde oss. De neurala aktivitetsmönster som produceras av fantasi motsvarar sålunda de som skulle ha framkallats om stimuli / responssekvenserna faktiskt hade ägt rum.

Jag har forskat om hur människors och andra varelser förmåga att känna igen andras handlingar (gester, beteenden ...) och förstå andras intentioner är implementerat i hjärnan, och i synnerhet hur liknande förmågor kan skapas artificiellt i system för handlingsigenkänning.

Jag är väldigt intresserad av modellering i allmänhet för alla typer av tillämpningar, inom industrin, inom medicin, ekonomi etc. Jag har till exempel varit involverad i att simulera omorganisationen av den somatosensoriska hjärnbarken efter att det uppstått skador i nervbanorna mellan handen och hjärnan, och i modellering av urologisk dysfunktion. Jag har också arbetat mycket med biologiskt inspirerad känselperception i robotar, och jag har utformat och byggt några (nu föråldrade) robotar för detta syfte.