Los algoritmos en redes neuronales artificiales revelan pistas sobre cómo aprendemos

Los algoritmos en redes neuronales artificiales revelan pistas sobre cómo aprendemos

Un descubrimiento sobre cómo los algoritmos pueden aprender y retener información de manera más eficiente ofrece una visión potencial de la capacidad del cerebro para absorber nuevos conocimientos. Los hallazgos de investigadores de la Facultad de Ciencias Biológicas de la Universidad de California en Irvine (UCI) podrían ayudar a combatir los deterioros cognitivos y mejorar la tecnología. El estudio aparece en Proceedings of the National Academy of Sciences.

Los científicos se centraron en las redes neuronales artificiales, conocidas como RNA, que son algoritmos diseñados para emular el comportamiento de las neuronas cerebrales. Al igual que las mentes humanas, las RNA pueden absorber y clasificar grandes cantidades de información. Sin embargo, a diferencia de nuestros cerebros, las RNA tienden a olvidar lo que ya saben cuándo el conocimiento fresco se introduce demasiado rápido, un fenómeno conocido como olvido catastrófico.

Los investigadores han teorizado durante mucho tiempo que nuestra capacidad para aprender nuevos conceptos se deriva de la interacción entre el hipocampo del cerebro y el neocórtex. El hipocampo captura información fresca y la reproduce durante el descanso y el sueño. El neocórtex toma el nuevo material y revisa su conocimiento existente para que pueda intercalar, o superponer, el material fresco en categorías similares desarrolladas desde el pasado.

Sin embargo, ha habido algunas preguntas sobre este proceso, dada la cantidad excesiva de tiempo que le tomaría al cerebro clasificar todo el tesoro de información que ha recopilado durante toda su vida. Esta trampa podría explicar por qué las RNA pierden conocimiento a largo plazo cuando absorben nuevos datos demasiado rápido.

Tradicionalmente, la solución utilizada en el aprendizaje automático profundo ha sido volver a entrenar la red en todo el conjunto de datos pasados, ya sea que estuvieran o no estrechamente relacionados con la nueva información, un proceso que consume mucho tiempo. Los científicos de la UCI decidieron examinar el tema con mayor profundidad e hicieron un descubrimiento notable.

«Descubrimos que cuando las RNA intercalaban un subconjunto mucho más pequeño de información antigua, incluidos principalmente elementos que eran similares al nuevo conocimiento que estaban adquiriendo, lo aprendieron sin olvidar lo que ya sabían», dijo el estudiante graduado Rajat Saxena, primer autor del artículo. Saxena encabezó el proyecto con la ayuda de Justin Shobe, un científico asistente del proyecto. Ambos miembros del laboratorio de Bruce McNaughton, Profesor Distinguido de Neurobiología y Comportamiento.

«Permitió a las RNA recibir información fresca de manera muy eficiente, sin tener que revisar todo lo que habían adquirido previamente», dijo Saxena. «Estos hallazgos sugieren un mecanismo cerebral de por qué los expertos en algo pueden aprender cosas nuevas en esa área mucho más rápido que los no expertos. Si el cerebro ya tiene un marco cognitivo relacionado con la nueva información, el nuevo material puede ser absorbido más rápidamente porque los cambios solo son necesarios en la parte de la red del cerebro que codifica el conocimiento experto».

El descubrimiento tiene potencial para abordar problemas cognitivos, según McNaughton. «Comprender los mecanismos detrás del aprendizaje es esencial para progresar», comento McNaughton. «Nos da una idea de lo que está sucediendo cuando los cerebros no funcionan de la manera en que se supone que deben hacerlo. Podríamos desarrollar estrategias de entrenamiento para personas con problemas de memoria por el envejecimiento o aquellas con daño cerebral. También podría conducir a la capacidad de manipular los circuitos cerebrales para que las personas puedan superar estos déficits».

Los hallazgos también ofrecen posibilidades para hacer que los algoritmos en equipos de diagnóstico médico, automóviles autónomos y muchos otros sean más precisos y eficientes.

Fuente: Universidad de California

Deja una respuesta

Tu dirección de correo electrónico no será publicada.