Chercheur

Titres

• IVADO Professeur sous octroi adjoint, Département de neurosciences, Université de Montréal (2020)
• Membre académique associé, Institut québécois d’intelligence artificielle – Mila (2020)

Offre(s) de projet(s) de recherche

• Algorithmes d'apprentissage dendritique - MSc / PhD / Postdoctorat

Laboratoire

Laboratoire des architectures d'apprentissage biologique (ABL-Lab)

• PhD, Physique (2007; Ruprecht Karl University of Heidelberg, Allemagne)
• MSc, Physique (2003; Ruprecht Karl University of Heidelberg, Allemagne)
• BSc, Physique mathématique (2001; Simon Fraser University, Canada)

Financements majeurs

• Institut de valorisation des données (IVADO)

Les domaines des neurosciences et de l'intelligence artificielle (IA) ont une longue histoire d'interactions bidirectionnelles fertiles. D'une part, des contributions importantes au développement de modèles et de théories de la perception sensorielle en neuroscience ont émergé de la recherche sur l'IA. D'autre part, une source d'inspiration importante pour le développement des systèmes d'IA est venue des neurosciences, l'étude des systèmes biologiques d'intelligence. Le programme de recherche poursuivi par le Laboratoire des architectures d'apprentissage biologique (ABL-Lab) est un programme interdisciplinaire, visant à élargir cette relation symbiotique entre les neurosciences et les théories de l'IA pour résoudre un mystère fondamental à l'intersection de ces deux disciplines: comment la perception sensorielle est apprise dans le néocortex. Intégrant les dernières avancées empiriques dans notre compréhension de la physiologie synaptique, dendritique et des circuits du néocortex, l'ABL-Lab exploite une synergie de simulations biophysiques de circuits néocorticaux et de réseaux convolutionnels profonds fonctionnels pour explorer une perspective dendritique radicalement nouvelle sur les processus d'apprentissage du néocortex. L'objectif est de fournir une nouvelle inspiration pour résoudre des problèmes ouverts dans le domaine de l'apprentissage en profondeur, et une nouvelle base conceptuelle pour comprendre le fonctionnement et le dysfonctionnement de l'apprentissage dans le cerveau des mammifères.

• Mécanismes d'apprentissage dans le néocortex
• Neuroscience computationnelle
• Modélisation mathématique
• Simulation à grande échelle
• Microcircuits néocorticaux
• Dynamique de réseaux neuronaux
• Plasticité des synapses
• Apprentissage profond
• Apprentissage incrémental
• Apprentissage non supervisé

Sommaire de carrière

Eilif B. Muller est un neuroscientifique et chercheur en intelligence artificielle qui utilise des approches computationnelles et mathématiques pour étudier les mécanismes biologiques et algorithmiques de l'apprentissage dans le néocortex des mammifères. Dr. Muller a obtenu son BS.c. (2001) en physique mathématique de l'Université Simon Fraser et son MS.c. (2003) et docteur en sciences naturelles (2007) en physique avec une concentration sur les neurosciences computationnelles de l'Université Ruprecht Karl de Heidelberg, la plus ancienne université d'Allemagne. Dr. Muller a effectué son travail post-doctoral (2007-2010) au Laboratoire de neurosciences computationnelles avec Prof. Wulfram Gerstner à l'EPFL, en Suisse, en se concentrant sur la dynamique des réseaux, la technologie de simulation et la plasticité. Par la suite, il a dirigé (2011-2019) l'équipe de chercheurs du Blue Brain Project, EPFL, Suisse, qui a été pionnier dans la neuroscience silico, une nouvelle ère de simulation de tissu cérébral basée sur les données. En 2015, Dr. Muller et ses collègues ont publié leur étude scientifique "Reconstruction and Simulation of Neocortical Microcircuitry" dans la revue Cell, décrivant "la simulation la plus complète d'un morceau de matière cérébrale excitable à ce jour" selon le Dr. Christof Koch (président et CSO de l'Allen Institute for Brain Science). L'approche a permis au Dr. Muller et son équipe d'apporter des contributions significatives à notre compréhension de la structure, de la dynamique et de la plasticité du néocortex, ce qui a abouti à des publications dans les meilleures revues telles que Nature Neuroscience, Nature Communications et Cerebral Cortex. En 2019, Dr. Muller a déménagé à Montréal, attiré par la communauté florissante de la recherche en Neuro-AI, initialement comme chercheur à Element AI, avant sa nomination à l'Université de Montréal et au Centre de recherche du CHU Sainte-Justine pour lancer le Laboratoire des architectures d'apprentissage biologique (ABL-Lab).

Présentations

• 2020 Bridging scales of intelligence from biophysics to ConvNets, UNIQUE (Unifying AI and Neuroscience – Québec) Student Symposium, May 16th, Montreal, Canada.
• 2018 Simulating biophysical plasticity of the neocortical micro-connectome, Northwestern and Argonne Workshop on Computational Neuroscience, August 31, 2018, Argonne National Laboratory, Lemont, IL, USA.
• 2018 Knowledge integration in neuroscience: the bridging role of data-driven models, 7th International Caesar Conference, June 5-6, Bonn, Germany.
• 2018 Reconstruction and Simulation of Brain Regions, Annual Swiss Society for Neuroscience Meeting, February 9th, 2018, Zurich, Switzerland.
• 2016 A critical role for calcium in neocortical criticality, Criticality Brain Dynamics 2016, October 16-19, National Institute of Mental Health, USA.

Publications

• Nolte, M., Reimann, M. W., King, J. G., Markram, H., & Muller, E. B. (2019). Cortical reliability amid noise and chaos. Nature communications, 10(1), 1-15. 10.1101/304121
• Reimann, M. W., Gevaert, M., Shi, Y., Lu, H., Markram, H., & Muller, E. (2019). A null model of the mouse whole-neocortex micro-connectome. Nature communications, 10(1), 1-16. 10.1101/548735
• Reimann, M. W., Horlemann, A. L., Ramaswamy, S., Muller, E. B., & Markram, H. (2017). Morphological diversity strongly constrains synaptic connectivity and plasticity. Cerebral Cortex, 27(9), 4570-4585. 10.1093/cercor/bhx150
• Gal, E., London, M., Globerson, A., Ramaswamy, S., Reimann, M. W., Muller, E., ... & Segev, I. (2017). Rich cell-type-specific network topology in neocortical microcircuitry. Nature neuroscience, 20(7), 1004. 10.1038/nn.4576
• Amsalem, O., Van Geit, W., Muller, E., Markram, H., & Segev, I. (2016). From neuron biophysics to orientation selectivity in electrically coupled networks of neocortical L2/3 large basket cells. Cerebral Cortex, 26(8), 3655-3668. 10.1093/cercor/bhw166
• Van Geit, W., Gevaert, M., Chindemi, G., Rössert, C., Courcol, J. D., Muller, E. B., ... & Markram, H. (2016). BluePyOpt: leveraging open source software and cloud infrastructure to optimise model parameters in neuroscience. Frontiers in neuroinformatics, 10, 17. 10.3389/fninf.2016.00017
• Markram, H.*, Muller, E.*, Ramaswamy, S.*, Reimann, M. W.*, Abdellah, M., Sanchez, C. A., ... & Kahou, G. A. A. (2015). Reconstruction and simulation of neocortical microcircuitry. Cell, 163(2), 456-492. 10.1016/j.cell.2015.09.029
• Reimann, M. W., King, J. G., Muller, E. B., Ramaswamy, S., & Markram, H. (2015). An algorithm to predict the connectome of neural microcircuits. Frontiers in computational neuroscience, 9, 28. 10.3389/fncom.2015.00120
• Delattre, V., Keller, D., Perich, M., Markram, H., & Muller, E. B. (2015). Network-timing-dependent plasticity. Frontiers in cellular neuroscience, 9, 220. 10.3389/fncel.2015.00220
• Muller, E., Bednar, J. A., Diesmann, M., Gewaltig, M. O., Hines, M., & Davison, A. P. (2015). Python in neuroscience. Frontiers in neuroinformatics, 9, 11. 10.3389/fninf.2015.00011

Plus de publications sur Google Scholar