Nuevo enfoque para un lenguaje de programación biológico
Crédito: Pixabay/CC0 Dominio público
Nuevos hallazgos de investigadores dirigidos por los científicos informáticos de TU Graz Wolfgang Maass y Robert Legenstein sobre el procesamiento de información neuronal en el cerebro podrían permitir métodos de IA más eficientes.
Concretamente, los investigadores han logrado modelar matemáticamente la aparición y la interacción entre los llamados «ensamblajes». Estos son grupos de neuronas en el cerebro que forman la base de capacidades cognitivas superiores, como pensar, imaginar, discutir, planificar o procesar el habla.
Mejor comprensión de cómo funciona el cerebro
La El neurocientífico canadiense Donald H. Hebb postuló ya en 1949 que las neuronas forman tales grupos, en otras palabras, que actúan juntas para codificar palabras o símbolos individuales, así como «conceptos» holísticos. «Sin embargo, la existencia de ensamblajes solo se ha consolidado más en los últimos años, y nuestros modelos se basan en los últimos resultados de la investigación del cerebro», explica Maass.
Los ensamblajes son entidades que fluyen y que se reorganizan constantemente para procesar estímulos ambientales, darles un significado simbólico, estructurarlos y transformarlos en conocimiento. Esta adaptabilidad, también llamada plasticidad, proporciona al cerebro la capacidad de superar su limitada capacidad de procesamiento y formar un número «ilimitado» de patrones.
Los resultados no solo contribuyen a una mejor comprensión del cerebro, sino que también podrían conducir a a nuevos métodos eficientes de IA, ya que combinan las ventajas de dos enfoques principales para la investigación de IA: el simbólico y el conexionista.
Procesamiento de información simbólico versus conexionista
Los algoritmos en los sistemas de símbolos se basan en reglas definidas (si/entonces comandos) y fórmulas lógicas, y son persuasivos a través de su capacidad de abstracción: es decir, la capacidad de generalizar y aplicar contextos generales a hechos concretos. Por esta razón, son ideales para una fácil aplicación en situaciones completamente nuevas. Sin embargo, los sistemas basados en símbolos deben programarse de manera compleja y no pueden entrenarse para aplicaciones exigentes mediante grandes cantidades de datos, como es posible con las redes neuronales. Estos últimos consisten en unidades informáticas pequeñas, en red y adaptables que se autoorganizan y pueden resolver rápidamente problemas complejos cuando trabajan juntas. La capacidad de aprendizaje de las redes neuronales ha hecho que el enfoque conexionista sea más atractivo para la investigación actual de IA y para las aplicaciones modernas de IA. Sin embargo, las redes neuronales tienen dificultades con tareas que no ocurrieron en su conjunto de entrenamiento.
Arquitectura del cerebro humano para máquinas
Los modelos de ensamblaje presentados ahora tienen como objetivo combinar la capacidad de abstracción con la habilidad de aprender. «Estas son redes neuronales que funcionan simbólicamente con sus ensamblajes. El paradigma que usamos es el cerebro humano, que también combina ambos», dijo Legenstein.
El trabajo, en el que también participan investigadores de la Universidad de Nottingham, la Universidad de California, Berkeley, y el Instituto de Tecnología de Georgia, se incorpora parcialmente al Human Brain Project (HBP), una asociación de investigación interdisciplinaria de ámbito europeo que trabaja desde 2015 en la reconstrucción electrónica del cerebro humano y la simulación de sus funciones. Wolfgang Maass y su equipo son responsables del paquete de trabajo Principios de la computación cerebral en el Proyecto Cerebro Humano.
Explore más
Descubriendo cómo funciona el cerebro a través de la computación Más información: Christoph Pokorny et al. STDP forma asociaciones entre rastros de memoria en redes de neuronas de pico, corteza cerebral (2019). DOI: 10.1093/cercor/bhz140
Michael G. Müller et al. Un modelo para la representación de información estructurada en redes neuronales del cerebro, eneuro (2020). DOI: 10.1523/ENEURO.0533-19.2020 Información de la revista: Cerebral Cortex