Comparaci\u00f3n de un ser humano jugando Pong (jugador verde, izquierda) con una red neuronal jugando (jugador verde, derecha). La red neuronal tuvo tres d\u00edas de entrenamiento continuo para lograr la competencia. Cr\u00e9dito: Laboratorio O’Doherty <\/p>\n
Cuando conduce un autom\u00f3vil, su cerebro recibe una enorme cantidad de informaci\u00f3n visual y la usa para tomar decisiones de conducci\u00f3n, como cu\u00e1ndo frenar o cambiar de carril. El cerebro necesita determinar qu\u00e9 tipo de informaci\u00f3n en su campo de visi\u00f3n es necesaria para tomar estas decisiones. Por ejemplo, la posici\u00f3n de otro autom\u00f3vil es muy importante, pero una nube en el cielo o el color de ese autom\u00f3vil realmente no tienen un impacto en la forma en que conduce. <\/p>\n
Este es un ejemplo cotidiano de toma de decisiones en un entorno natural complejo. \u00bfQu\u00e9 hace el cerebro en situaciones en las que hay un gran volumen de datos sensoriales y la necesidad de tomar decisiones r\u00e1pidamente? Para estudiar esta y otras preguntas relacionadas, los investigadores pueden experimentar utilizando simulaciones de nuestra vida cotidiana: los videojuegos.<\/p>\n
Un nuevo estudio de Caltech compara los esc\u00e1neres cerebrales de humanos que juegan videojuegos cl\u00e1sicos de Atari con sofisticadas redes de inteligencia artificial (IA). que han sido entrenados para jugar los mismos juegos. Dirigidos por el estudiante graduado Logan Cross, los investigadores compararon el comportamiento de la IA entrenada con la de los humanos y descubrieron que la actividad en las \u00abneuronas\u00bb artificiales en la IA se parec\u00eda bastante a la actividad en el cerebro humano. Esto implica que el agente de IA puede resolver estas tareas de toma de decisiones de manera similar al cerebro humano, lo que lo convierte en un buen modelo para estudiar c\u00f3mo el cerebro humano mapea la entrada visual de alta dimensi\u00f3n en acciones en entornos complejos.<\/p>\n
El El estudio se realiz\u00f3 en el laboratorio del profesor de Psicolog\u00eda John O’Doherty. Un art\u00edculo que describe la investigaci\u00f3n apareci\u00f3 en la revista Neuron el 15 de diciembre. O’Doherty es miembro de la facultad afiliado al Instituto de Neurociencia Tianqiao y Chrissy Chen en Caltech.<\/p>\n
\u00abLa interacci\u00f3n entre la IA y la neurociencia va tanto maneras\u00bb, dice O’Doherty. \u00abSi podemos descubrir qu\u00e9 tan similares son los algoritmos de IA al cerebro, esto nos ayuda a comprender mejor c\u00f3mo el cerebro resuelve este tipo de problemas dif\u00edciles, pero a la inversa, si podemos entender por qu\u00e9 y c\u00f3mo el cerebro puede resolver estos juegos de manera mucho m\u00e1s eficiente en comparaci\u00f3n con una IA, esto puede ayudar a guiar el desarrollo de algoritmos de IA m\u00e1s inteligentes y m\u00e1s humanos en el futuro\u00bb.<\/p>\n
En el campo de la neurociencia de decisiones, que examina la forma en que la actividad neuronal en el cerebro da lugar a la toma de decisiones , muchos estudios usan tareas simples para examinar c\u00f3mo los humanos toman decisiones. Por ejemplo, se le puede pedir a un participante del estudio que juegue en dos m\u00e1quinas tragamonedas con pagos diferentes. En el transcurso del experimento, el participante aprender\u00e1 qu\u00e9 m\u00e1quina tragamonedas gana m\u00e1s dinero y ajustar\u00e1 su comportamiento en consecuencia. El marco de aprendizaje general para resolver estas tareas se denomina aprendizaje por refuerzo porque el comportamiento se refuerza con los resultados gratificantes que resultan de las decisiones.<\/p>\n
Sin embargo, el marco de aprendizaje por refuerzo por s\u00ed solo no describe adecuadamente la toma de decisiones en t\u00e9rminos m\u00e1s amplios y complejos. tareas m\u00e1s complicadas. En 2015, DeepMind, una empresa de inteligencia artificial propiedad de Google, desarroll\u00f3 un complejo algoritmo de inteligencia artificial, llamado Deep Q Network (DQN), que pod\u00eda aprender a jugar docenas de videojuegos de Atari a niveles humanos o sobrehumanos.<\/p>\n
El DQN combina el marco cl\u00e1sico de aprendizaje por refuerzo con otro avance reciente llamado red neuronal convolucional. La red neuronal convolucional act\u00faa como un sistema de percepci\u00f3n que aprende a detectar caracter\u00edsticas visuales en el espacio de p\u00edxeles de Atari (la pantalla del juego) que predicen la recompensa (puntuaci\u00f3n de puntos). Esto permite que DQN aprenda qu\u00e9 acciones tomar en una situaci\u00f3n determinada con solo mirar los p\u00edxeles en el juego. Es importante destacar que las reglas del juego no est\u00e1n programadas en el agente DQN; debe aprender por s\u00ed mismo c\u00f3mo se juega el juego a trav\u00e9s de prueba y error, ya que las buenas decisiones se refuerzan positivamente cuando el agente anota puntos (junto con las acciones que conducen a la puntuaci\u00f3n).<\/p>\n
En este estudio, el DQN se entren\u00f3 en los videojuegos de Atari Pong, Space Invaders y Enduro (un juego de carreras), y luego sus neuronas artificiales se usaron para predecir el comportamiento y la actividad cerebral a partir de esc\u00e1neres cerebrales de im\u00e1genes de resonancia magn\u00e9tica funcional de participantes humanos mientras jugaban los juegos. En particular, los investigadores encontraron que la actividad cerebral en dos regiones del cerebro involucradas en la percepci\u00f3n y la visi\u00f3n, la v\u00eda visual dorsal y la corteza parietal posterior, podr\u00edan modelarse usando caracter\u00edsticas de DQN.<\/p>\n
En todos los juegos, el DQN debe aprender a seleccionar las caracter\u00edsticas relevantes de un gran volumen de informaci\u00f3n visual tal como lo har\u00eda un ser humano. Debe formatear esta informaci\u00f3n relevante en lo que se llama un espacio de estado, que es una forma compacta de representar lo que est\u00e1 sucediendo en el estado actual del juego. Por ejemplo, en Pong, los investigadores encontraron que el espacio de estado en los c\u00f3digos DQN para las posiciones espaciales de la pelota y las paletas; ignora caracter\u00edsticas como los colores del fondo y la puntuaci\u00f3n del juego en la parte superior de la pantalla. Esto es muy similar a c\u00f3mo el cerebro humano representa el juego en la v\u00eda visual dorsal, la parte del cerebro que reconoce d\u00f3nde est\u00e1n los objetos en el espacio para guiar las acciones relacionadas con esos objetos.<\/p>\n
En el juego Enduro, el jugador conduce un autom\u00f3vil lo m\u00e1s r\u00e1pido posible y trata de evitar otros autom\u00f3viles. Durante el viaje, el cielo cambia de color del d\u00eda a la noche. Es f\u00e1cil para una persona que juega ignorar estos par\u00e1metros, ya que son irrelevantes para el juego real, de la misma manera que aprendemos a ignorar las nubes en el cielo cuando conducimos un autom\u00f3vil. Pero una red de IA debe aprender que el cambio de color del cielo no tiene impacto en la conducci\u00f3n.<\/p>\n
Los investigadores descubrieron que las caracter\u00edsticas dentro del DQN que ignoran estas caracter\u00edsticas visuales irrelevantes explican mejor los patrones de actividad cerebral que se ven en el La corteza parietal posterior de los voluntarios que juegan juegos, la parte del cerebro que conecta la percepci\u00f3n con el movimiento motor. Tambi\u00e9n se encontraron resultados similares en Space Invaders.<\/p>\n
Si bien los investigadores encontraron similitudes entre el DQN y el cerebro humano, los dos no son id\u00e9nticos.<\/p>\n
\u00abToma d\u00edas de jugar sin parar para que DQN aprenda a jugar estos juegos, pero los humanos pueden aprender en minutos\u00bb, dice Cross. \u00ab\u00bfPor qu\u00e9 es f\u00e1cil para el cerebro humano descubrir cu\u00e1les son las caracter\u00edsticas relevantes cuando conduce un autom\u00f3vil, pero dif\u00edcil para una inteligencia artificial? Responder a esta pregunta es un gran desaf\u00edo para los investigadores de IA. Es dif\u00edcil para la IA porque a medida que cambian los colores de fondo, su entrada visual cambia dram\u00e1ticamente ya que solo ‘ve’ n\u00fameros en el espacio de p\u00edxeles Se necesita mucho entrenamiento para que DQN aprenda que dos situaciones que son dram\u00e1ticamente diferentes en el espacio de p\u00edxeles en realidad son conceptualmente similares en t\u00e9rminos de lo que debe hacer. \u00ab<\/p>\n
Por otro lado, agrega Cross, el cerebro humano se forma a lo largo de su desarrollo para aprender a seleccionar la informaci\u00f3n m\u00e1s importante para las tareas diarias comunes. \u00abLa v\u00eda visual dorsal en particular, que es nuestra principal regi\u00f3n de inter\u00e9s, es capaz de localizar r\u00e1pidamente objetos independientemente de sus colores\u00bb, dice. \u00abAdem\u00e1s, el cerebro de alguna manera codifica nociones de f\u00edsica de sentido com\u00fan y c\u00f3mo se mueven los objetos normalmente, lo que permite a los humanos realizar una amplia variedad de tareas bien con poca capacitaci\u00f3n. DQN tiene que aprender todo esto desde cero\u00bb.<\/p>\n
En los \u00faltimos a\u00f1os, otras investigaciones han descubierto similitudes entre el cerebro y las redes neuronales profundas, pero la mayor\u00eda de estos estudios se han centrado en el reconocimiento de objetos en lugar de la toma de decisiones activa. Este estudio presenta un nuevo marco para estudiar el comportamiento y la actividad cerebral en tareas complejas de toma de decisiones que pueden ser m\u00e1s representativas de la vida diaria que las tareas que se usaban anteriormente en el campo.<\/p>\n
El art\u00edculo se titula \u00abUso del refuerzo profundo aprendiendo a revelar c\u00f3mo el cerebro codifica representaciones abstractas de espacio de estado en entornos de alta dimensi\u00f3n\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
Las redes neuronales convolucionales pueden ser enga\u00f1adas por las mismas ilusiones visuales que las personas M\u00e1s informaci\u00f3n:<\/strong> Logan Cross et al. Usando el aprendizaje de refuerzo profundo para revelar c\u00f3mo el cerebro codifica representaciones abstractas de espacio de estado en entornos de alta dimensi\u00f3n, Neuron (2020). DOI: 10.1016\/j.neuron.2020.11.021 Informaci\u00f3n del diario:<\/strong> Neuron <\/p>\n Proporcionado por el Instituto de Tecnolog\u00eda de California Cita<\/strong>: Lo que las redes neuronales que juegan videojuegos demuestran sobre la cerebro humano (2021, 8 de enero) recuperado el 30 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2021-01-neural-networks-video-games-human.html Este documento est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Comparaci\u00f3n de un ser humano jugando Pong (jugador verde, izquierda) con una red neuronal jugando (jugador verde, derecha). La red neuronal tuvo tres d\u00edas de entrenamiento continuo para lograr la competencia. Cr\u00e9dito: Laboratorio O’Doherty Cuando conduce un autom\u00f3vil, su cerebro recibe una enorme cantidad de informaci\u00f3n visual y la usa para tomar decisiones de conducci\u00f3n, … Continuar leyendo \u00abLo que las redes neuronales de los videojuegos demuestran sobre el cerebro humano\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-14002","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/14002","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=14002"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/14002\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=14002"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=14002"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=14002"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}