Una Nueva Era en Algoritmos de Aprendizaje Inspirados en el Cerebro

Investigadores de la Unidad de Dinámica de Redes Cerebrales del MRC y del Departamento de Ciencias de la Computación de la Universidad de Oxford han desvelado un principio revolucionario que arroja luz sobre cómo el cerebro humano se adapta y ajusta las conexiones entre neuronas durante el aprendizaje. 

Este descubrimiento no solo mejora nuestra comprensión del aprendizaje dentro de las redes cerebrales, sino que también tiene el potencial de inspirar el desarrollo de algoritmos de aprendizaje más rápidos y robustos en la inteligencia artificial (IA).

Principio de aprendizaje cerebral: Configuración prospectiva

La esencia del aprendizaje radica en identificar qué componentes en la tubería de procesamiento de información son responsables de los errores en la salida. En la IA, esto se logra mediante la retropropagación, donde los parámetros de un modelo se ajustan para minimizar los errores de salida.

Se ha creído ampliamente que el cerebro humano emplea un principio de aprendizaje similar. Sin embargo, el cerebro biológico supera a los sistemas actuales de aprendizaje automático en varios aspectos.

Por ejemplo, los humanos pueden aprender nueva información después de encontrarla solo una vez, mientras que los sistemas artificiales a menudo requieren cientos de repeticiones con los mismos datos para comprenderla. Además, los humanos pueden adquirir nuevo conocimiento mientras retienen la información existente, mientras que introducir nuevos datos en redes neuronales artificiales puede interferir y degradar el conocimiento existente.

Estas observaciones llevaron a los investigadores a buscar el principio fundamental que rige el proceso de aprendizaje del cerebro. Examinaron conjuntos existentes de ecuaciones matemáticas que describen cambios en el comportamiento neuronal y las conexiones sinápticas y realizaron análisis y simulaciones exhaustivos. Lo que descubrieron desafió la sabiduría predominante.

En las redes neuronales artificiales, los algoritmos externos intentan modificar las conexiones sinápticas para minimizar los errores, pero los investigadores proponen que el cerebro humano primero establece la actividad de las neuronas en una configuración equilibrada óptima antes de ajustar las conexiones sinápticas. 

Este enfoque único, denominado

Simulación y validación

Los respaldaron sus hallazgos con simulaciones por computadora, demostrando que los modelos que emplean la configuración prospectiva superaron a las redes neuronales artificiales en tareas comúnmente encontradas por animales y humanos en entornos naturales.

Para ilustrar el concepto, los investigadores utilizaron el ejemplo de un oso pescando salmón. En una red neuronal artificial, si el oso pierde su capacidad de oír el río (debido a un daño en el oído), también perdería la capacidad de oler el salmón, lo que llevaría a la conclusión incorrecta de que no hay salmón en el río. 

Sin embargo, en el cerebro animal, la ausencia de sonido no interfiere con el conocimiento de que el olor del salmón sigue presente, permitiendo que el oso continúe su búsqueda con éxito.

Cerrar la brecha

El investigador principal, el profesor Rafal Bogacz, de la Unidad de Dinámica de Redes Cerebrales del MRC y el Departamento de Neurociencias Clínicas Nuffield de Oxford, enfatizó la necesidad de cerrar la brecha entre los modelos abstractos y nuestra comprensión de la anatomía del cerebro. La investigación futura tiene como objetivo desentrañar cómo se implementa el algoritmo de configuración prospectiva en redes corticales identificadas anatómicamente.

El Dr. Yuhang Song, primer autor del estudio, destacó los desafíos de implementar la configuración prospectiva en las computadoras existentes debido a las diferencias fundamentales entre los sistemas informáticos y el cerebro biológico. Llamó a desarrollar una nueva computadora o hardware dedicado inspirado en el cerebro capaz de implementar rápidamente y con eficiencia energética la configuración prospectiva.