Kanaka Rajan
La nomination
Membre du programme des chercheurs mondiaux CIFAR-Azrieli 2023-2025
Cerveau, esprit et conscience
À Propos
Kanaka Rajan, neuroscientifique computationnelle, jette un pont entre la biologie et l’intelligence artificielle. Son laboratoire a recours à des modèles mathématiques et informatiques pour comprendre les mécanismes d’apprentissage et décisionnels du cerveau. Ses recherches visent à comprendre comment d’importantes fonctions cognitives – comme l’apprentissage, la mémoire et la prise de décision – émergent de l’activité coopérative de processus neuronaux multiéchelles. À l’aide de données issues d’expériences neuroscientifiques, Rajan applique des cadres computationnels dérivés de l’apprentissage automatique et de la physique statistique pour dégager des théories intégratives sur le cerveau qui jettent un pont entre la neurobiologie et l’intelligence artificielle. En s’appuyant sur son expertise exceptionnelle dans les domaines de l’ingénierie, de la biophysique et des neurosciences, Rajan a mis au point des méthodes computationnelles pour comprendre les processus de traitement de l’information par le cerveau et la manière dont les maladies neuropsychiatriques perturbent ces processus.
Prix
- Prix McKnight, Fondation McKnight, 2022
- Leader de la prochaine génération, Institut Allen, 2021
- Prix CAREER, National Science Foundation (NSF), 2021
- Bourse Harold et Golden Lamport pour la recherche en sciences fondamentales, École de médecine Icahn à Mount Sinai, 2021
Publications Pertinentes
- Perich, M.G. et Rajan, K. (2020) Rethinking brain-wide interactions through multi-region “network of networks” models. Current Opinion in Neurobiology, 65:146–151. DOI: https://doi.org/10.1016/j.conb.2020.11.003
- Pinto, L., Rajan, K., DePasquale, B., Thiberge, S.Y., Tank, D.W. et Brody, C.D., (2019) Task-dependent changes in the large-scale dynamics and necessity of cortical regions. Neuron, 2019 Nov 20;104(4):810-824.e9. DOI: 10.1016/j.neuron.2019.08.025
- Rajan, K., Harvey, C.D. et Tank, D.W., (2016) Recurrent network models of sequence generation and memory. Neuron, 90(1): 128-142. DOI: 10.1016/j.neuron.2016.02.00900463