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 revelado un principio innovador 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 inteligencia artificial (IA).

Principio de aprendizaje cerebral: configuración prospectiva

La esencia del aprendizaje reside endentqué componentes del proceso de procesamiento de la información son responsables de los errores de salida. En 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 con solo un encuentro, mientras que los sistemas artificiales suelen requerir cientos de repeticiones con los mismos datos para comprenderla. Además, los humanos pueden adquirir nuevos conocimientos conservando la información existente, mientras que la introducción de nuevos datos en redes neuronales artificiales puede interferir con el conocimiento existente y degradarlo.

Estas observaciones impulsaron a los investigadores a buscar el principio fundamental que rige el proceso de aprendizaje del cerebro. Examinaron conjuntos existentes de ecuacionesmaticque describen cambios en el comportamiento neuronal y las conexiones sinápticas, y realizaron análisis y simulaciones exhaustivos. Lo que descubrieron desafió la creencia popular.

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

Se cree que este enfoque único, denominado “configuración prospectiva”, es una característica eficiente del aprendizaje humano, que reduce la interferencia y preserva el conocimiento existente, acelerando así el proceso de aprendizaje.

Simulación y validación

Los investigadores respaldaron sus hallazgos con simulaciones por computadora, demostrando que los modelos que emplean configuración prospectiva superaron a las redes neuronales artificiales en tareas que comúnmente enfrentan los animales y los 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 la capacidad de oír el río (debido a una lesión en el oído), también perderá la capacidad de oler el salmón, lo que lleva a la conclusión errónea 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 todavía está presente, lo que permite al oso continuar su búsqueda con éxito.

Cerrando la brecha

El investigador principal, el profesor Rafal Bogacz, de la Unidad de Dinámica de Redes Cerebrales del MRC y del Departamento Nuffield de Neurociencias Clínicas de Oxford, enfatizó la necesidad de superar la brecha entre los modelostracy nuestra comprensión de la anatomía cerebral. Las investigaciones futuras buscan desentrañar cómo se implementa el algoritmo de configuración prospectiva en redes corticalesdentanatómicamente.

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. Instó al desarrollo de una nueva computadora o hardware específico inspirado en el cerebro, capaz de implementar la configuración prospectiva de forma rápida y eficiente energéticamente.