Nuestros cerebros son increíblemente adaptables. Todos los días, formamos nuevos recuerdos, adquirimos nuevos conocimientos o refinamos las habilidades existentes. Esto contrasta notablemente con nuestras computadoras actuales, que generalmente solo realizan acciones preprogramadas. En el núcleo de nuestra adaptabilidadmiente la plasticidad sináptica. Las sinapsis son los puntos de conexión entre las neuronas, que pueden cambiar de diferentes formas dependiendo de cómo se utilicen. Esta plasticidad sináptica es un tema de investigación importante en neurociencia, ya que es fundamental para los procesos de aprendizaje y la memoria.procesos cerebrales y construir máquinas adaptativas, los investigadores en los campos de la neurociencia y la inteligencia artificial IA están creando modelos para los mecanismos subyacentes a estos procesos. Estos modelos de aprendizaje y plasticidad ayudan a comprender el procesamiento de la información biológica y también deberían permitir que las máquinas aprendan más rápido.
Los algoritmos imitan la evolución biológica
Trabajando en el Proyecto Europeo del Cerebro Humano, los investigadores del Instituto de Fisiología de la Universidad de Berna han desarrollado un nuevo enfoque basado en los llamados algoritmos evolutivos. Estos programas de computadora buscan soluciones a problemas imitando el proceso de evolución biológica, como el concepto de selección natural. Por lo tanto, la aptitud biológica, que describe el grado en que un organismo se adapta a su entorno, se convierte en un modelo para los algoritmos evolutivos. En tales algoritmos, la "aptitud" de una solución candidata es qué tan bienresuelve el problema subyacente.
creatividad asombrosa
El enfoque recientemente desarrollado se conoce como el enfoque "evolucionar para aprender" E2L o "volverse adaptativo". El equipo de investigación dirigido por el Dr. Mihai Petrovici del Instituto de Fisiología de la Universidad de Berna y el Instituto Kirchhoffde Física en la Universidad de Heidelberg, enfrentó los algoritmos evolutivos con tres escenarios de aprendizaje típicos. En el primero, la computadora tenía que detectar un patrón repetido en un flujo continuo de entrada sin recibir retroalimentación sobre su desempeño. En el segundo escenario, la computadorarecibió recompensas virtuales cuando se comportó de una manera particular deseada. Finalmente, en el tercer escenario de "aprendizaje guiado", se le dijo a la computadora con precisión cuánto se desvió su comportamiento del deseado.
"En todos estos escenarios, los algoritmos evolutivos pudieron descubrir mecanismos de plasticidad sináptica y, por lo tanto, resolvieron con éxito una nueva tarea", dice el Dr. Jakob Jordan, autor correspondiente y coprimer autor del Instituto de Fisiología de la Universidad deBern. Al hacerlo, los algoritmos mostraron una creatividad asombrosa: "Por ejemplo, el algoritmo encontró un nuevo modelo de plasticidad en el que las señales que definimos se combinan para formar una nueva señal. De hecho, observamos que las redes que utilizan esta nueva señal aprenden más rápido quecon reglas previamente conocidas ", enfatiza el Dr. Maximilian Schmidt del Centro RIKEN de Ciencias del Cerebro en Tokio, co-primer autor del estudio. Los resultados fueron publicados en la revista eLife .
"Vemos a E2L como un enfoque prometedor para obtener conocimientos profundos sobre los principios del aprendizaje biológico y acelerar el progreso hacia poderosas máquinas de aprendizaje artificial", dice Mihai Petrovoci. "Esperamos que acelere la investigación sobre la plasticidad sináptica en el sistema nervioso", concluye.Jakob Jordan. Los hallazgos proporcionarán nuevos conocimientos sobre cómo funcionan los cerebros sanos y enfermos. También pueden allanar el camino para el desarrollo de máquinas inteligentes que puedan adaptarse mejor a las necesidades de sus usuarios.
Fuente de la historia :
Materiales proporcionado por Universidad de Berna . Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :