Hacer que las computadoras "piensen" como humanos es el santo grial de la inteligencia artificial, pero los cerebros humanos resultan ser actos difíciles de seguir. El cerebro humano es un maestro en aplicar el conocimiento aprendido previamente a nuevas situaciones y refinar constantemente lo aprendidoEsta capacidad de adaptación ha sido difícil de replicar en las máquinas.
Ahora, los investigadores de Salk han utilizado un modelo computacional de la actividad cerebral para simular este proceso con mayor precisión que nunca. El nuevo modelo imita cómo la corteza prefrontal del cerebro utiliza un fenómeno conocido como "puerta" para controlar el flujo de información entre diferentes áreas.de las neuronas. No solo arroja luz sobre el cerebro humano, sino que también podría informar el diseño de nuevos programas de inteligencia artificial.
"Si podemos escalar este modelo para usarlo en sistemas de inteligencia artificial más complejos, podría permitir que estos sistemas aprendan cosas más rápido o encuentren nuevas soluciones a los problemas", dice Terrence Sejnowski, director del Laboratorio de Neurobiología Computacional de Salk y autor principaldel nuevo trabajo, publicado el 24 de noviembre de 2020, en Actas de la Academia Nacional de Ciencias.
Los cerebros de los seres humanos y otros mamíferos son conocidos por su capacidad para procesar rápidamente estímulos imágenes y sonidos, por ejemplo e integrar cualquier información nueva en cosas que el cerebro ya sabe. Esta flexibilidad para aplicar el conocimiento a situaciones nuevas y de forma continuaaprender durante toda la vida ha sido durante mucho tiempo un objetivo de los investigadores que diseñan programas de aprendizaje automático o cerebros artificiales. Históricamente, cuando a una máquina se le enseña a realizar una tarea, es difícil para la máquina aprender a adaptar ese conocimiento a una tarea similar; en su lugar, cadaEl proceso relacionado debe enseñarse individualmente.
En el estudio actual, el grupo de Sejnowski diseñó un nuevo marco de modelado computacional para replicar cómo las neuronas en la corteza prefrontal, el área del cerebro responsable de la toma de decisiones y la memoria de trabajo, se comportan durante una prueba cognitiva conocida como Prueba de clasificación de tarjetas de Wisconsin.. En esta tarea, los participantes deben clasificar las tarjetas por color, símbolo o número, y adaptar constantemente sus respuestas a medida que cambia la regla de clasificación de tarjetas. Esta prueba se usa clínicamente para diagnosticar la demencia y las enfermedades psiquiátricas, pero también la utilizan los investigadores de inteligencia artificialpara medir qué tan bien sus modelos computacionales del cerebro pueden replicar el comportamiento humano.
Los modelos anteriores de la corteza prefrontal se desempeñaron mal en esta tarea. Sin embargo, el marco del equipo de Sejnowski integró cómo las neuronas controlan el flujo de información a través de toda la corteza prefrontal a través de puertas, delegando diferentes piezas de información a diferentes subregiones de la red.se pensó que era importante a pequeña escala, en el control del flujo de información dentro de pequeños grupos de celdas similares, pero la idea nunca se había integrado en modelos a través de toda la red.
La nueva red no solo se desempeñó de manera tan confiable como los humanos en la tarea de clasificación de tarjetas de Wisconsin, sino que también imitó los errores observados en algunos pacientes. Cuando se eliminaron secciones del modelo, el sistema mostró los mismos errores observados en pacientes con daño en la corteza prefrontal, como el causado por un trauma o demencia.
"Creo que una de las partes más interesantes de esto es que, utilizando este tipo de marco de modelado, nos estamos haciendo una mejor idea de cómo está organizado el cerebro", dice Ben Tsuda, un estudiante graduado de Salk y primer autor de"Eso tiene implicaciones tanto para el aprendizaje automático como para comprender mejor algunas de estas enfermedades que afectan la corteza prefrontal".
Si los investigadores comprenden mejor cómo funcionan juntas las regiones de la corteza prefrontal, agrega, eso ayudará a guiar las intervenciones para tratar la lesión cerebral. Podría sugerir áreas a las que apuntar con estimulación cerebral profunda, por ejemplo.
"Cuando se piensa en las formas en que el cerebro aún supera las redes de aprendizaje profundo de última generación, una de esas formas es la versatilidad y la generalización en tareas con diferentes reglas", dice la coautora del estudio Kay Tye, profesora deEl Laboratorio de Neurobiología de Sistemas de Salk y la Cátedra Wylie Vale. "En este nuevo trabajo, mostramos cómo la activación de información puede impulsar nuestro nuevo y mejorado modelo de la corteza prefrontal".
A continuación, el equipo quiere escalar la red para realizar tareas más complejas que la prueba de clasificación de tarjetas y determinar si la compuerta de toda la red le da a la corteza prefrontal artificial una mejor memoria de trabajo en todas las situaciones. Si el nuevo enfoque funciona bajo una ampliaescenarios de aprendizaje, sospechan que conducirá a mejores sistemas de inteligencia artificial que pueden ser más adaptables a nuevas situaciones.
Fuente de la historia :
Materiales proporcionado por Instituto Salk . Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :