El cerebro humano es un procesador de información altamente avanzado compuesto por más de 86 mil millones de neuronas. Los humanos son expertos en reconocer patrones de redes complejas, como los idiomas, sin ninguna instrucción formal. Anteriormente, los científicos cognitivos intentaron explicar esta habilidad al representarcerebro como una computadora altamente optimizada, pero ahora hay una discusión entre los neurocientíficos de que este modelo podría no reflejar con precisión cómo funciona el cerebro.
Ahora, los investigadores de Penn han desarrollado un modelo diferente de cómo el cerebro interpreta los patrones de redes complejas. Publicado en Comunicaciones de la naturaleza , este nuevo modelo muestra que la capacidad de detectar patrones proviene en parte del objetivo del cerebro de representar las cosas de la manera más simple posible. Su modelo representa el cerebro como un equilibrio constante entre la precisión y la simplicidad al tomar decisiones. El trabajo fue realizado por la físicaEstudiante de doctorado Christopher Lynn, estudiante de doctorado en neurociencia Ari Kahn y profesora Danielle Bassett.
Este nuevo modelo se basa en la idea de que las personas cometen errores al tratar de dar sentido a los patrones, y estos errores son esenciales para vislumbrar el panorama más amplio ". Si miras a un puntillista que pinta de cerca, puedes correctamenteidentifique cada punto. Si retrocede 20 pies, los detalles se vuelven confusos, pero obtendrá una mejor idea de la estructura general ", dice Lynn.
Para probar su hipótesis, los investigadores realizaron un conjunto de experimentos similares a un estudio previo de Kahn. Ese estudio encontró que cuando a los participantes se les mostraban elementos repetidos en una secuencia, como ABCB, etc., eran automáticamente sensibles a ciertos patronessin ser explícitamente consciente de que existían los patrones. "Si experimenta una secuencia de información, como escuchar el discurso, puede recoger ciertas estadísticas entre elementos sin ser consciente de cuáles son esas estadísticas", dice Kahn.
Para comprender cómo el cerebro comprende automáticamente tales asociaciones complejas dentro de las secuencias, a 360 participantes del estudio se les mostró una pantalla de computadora con cinco cuadrados grises correspondientes a cinco teclas en un teclado. Como dos de los cinco cuadrados cambiaron de gris a rojo, los participantes tuvieronpara golpear las teclas de la computadora que correspondían a los cuadrados cambiantes. Para los participantes, el patrón de cuadrados que cambiaban de color era aleatorio, pero las secuencias se generaban realmente usando dos tipos de redes.
Los investigadores descubrieron que la estructura de la red afectaba la rapidez con que los participantes podían responder a los estímulos, una indicación de sus expectativas de los patrones subyacentes. Las respuestas fueron más rápidas cuando a los participantes se les mostraban secuencias que se generaban utilizando una red modular en comparación con las secuenciasproveniente de una red reticular.
Si bien estos dos tipos de redes se ven diferentes para el ojo humano a gran escala, en realidad son estadísticamente idénticos entre sí a escalas pequeñas. Hay la misma cantidad de conexiones entre los nodos y los bordes, aunque la forma general esdiferente ". A una computadora no le importaría esta diferencia en la estructura a gran escala, pero está siendo captada por el cerebro. Los sujetos podrían comprender mejor la estructura subyacente de la red modular y anticipar la próxima imagen", dice Lynn.
Utilizando herramientas de la teoría de la información y el aprendizaje por refuerzo, los investigadores pudieron usar estos datos para implementar una métrica de complejidad llamada entropía. "Ser muy aleatorio es lo menos complejo que podrías hacer, mientras que si estuvieras aprendiendo la secuencia con mucha precisión, eso es lo más complejo que puede hacer. El equilibrio entre errores y complejidad, o entropía negativa, da lugar a las predicciones que ofrece el modelo ", dice Lynn.
Su modelo resultante de cómo el cerebro procesa la información representa al cerebro como equilibrando dos presiones opuestas: complejidad versus precisión. "Puede ser muy complejo y aprender bien, pero luego está trabajando muy duro para aprender patrones", dice Lynn ".O bien, tiene un proceso de menor complejidad, que es más fácil, pero tampoco aprenderá los patrones "
Con su nuevo modelo, los investigadores también pudieron cuantificar este equilibrio usando un parámetro beta. Si beta es cero, el cerebro comete muchos errores pero minimiza la complejidad. Si beta es alto, entonces el cerebro está tomando precauciones para evitarcomete errores. "Todo lo que hace la beta es sintonizar entre lo que es dominante", dice Lynn. En este estudio, el 20% de los participantes tenía una beta pequeña, el 10% tenía valores beta altos y el 70% restante estaba en algún punto intermedio ".Verá esta amplia difusión de valores beta entre las personas ", dice.
Kahn dice que esta idea de equilibrar las fuerzas no era sorprendente, dada la gran cantidad de información que el cerebro tiene que procesar con una cantidad limitada de recursos y sin gastar demasiado tiempo en decisiones simples ". El cerebro ya está utilizando un"Una gran cantidad de costos metabólicos, por lo que realmente desea maximizar lo que está obteniendo", dice. "Si piensa en algo tan básico como la atención, hay una compensación inherente en maximizar la precisión frente a todo lo demás que está ignorando".
¿Y qué hay del papel de cometer errores? Su modelo respalda la idea de que el cerebro humano no es una máquina de aprendizaje óptima, sino que cometer errores y aprender de ellos juega un papel muy importante en el comportamiento y la cognición.Parece que ser capaz de ver los sistemas complejos de manera más amplia, como alejarse de una pintura puntillista, le da al cerebro una mejor idea de las relaciones generales.
"La estructura de comprensión, o cómo estos elementos se relacionan entre sí, puede surgir de una codificación imperfecta de la información. Si alguien pudiera codificar perfectamente toda la información entrante, no necesariamente entendería el mismo tipo de agrupación deexperiencias que hacen si hay un poco de confusión ", dice Kahn.
"Lo mejor es que los errores en cómo las personas aprenden y perciben el mundo están influyendo en nuestra capacidad de aprender estructuras. Por lo tanto, estamos muy divorciados de cómo actuaría una computadora", dice Lynn.
Los investigadores ahora están interesados en lo que hace que la red modular sea más fácil de interpretar para el cerebro y también están realizando estudios de resonancia magnética funcional para comprender en qué parte del cerebro se están formando estas asociaciones de red. También tienen curiosidad sobre si el equilibrio de la complejidad de las personasy la precisión es fluida, ya sea que las personas puedan cambiar por sí mismas o si están "configuradas", y también esperan realizar experimentos utilizando entradas de idiomas en algún momento en el futuro
"Después de comprender mejor cómo los humanos adultos sanos construyen estos modelos de red de nuestro mundo, estamos entusiasmados por estudiar las condiciones psiquiátricas como la esquizofrenia en la que los pacientes construyen modelos de sus mundos inexactos o alterados", dice Bassett.el trabajo inicial allana el camino para nuevos esfuerzos en el campo emergente de la psiquiatría computacional "
Esta investigación fue apoyada principalmente por la Oficina de Investigación del Ejército de EE. UU. A través de Grant DCIST- W911NF-17-2-0181 y National Science Foundation a través de Grant NSF PHY-1554488.
Fuente de la historia :
Materiales proporcionado por Universidad de Pennsylvania . Original escrito por Erica K Brockmeier. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :