Enseñar inteligencia artificial para adaptarse

Enseñar inteligencia artificial para adaptarse

El sistema simulado de Salk podría ayudar a desarrollar una mejor inteligencia artificial y tratamientos para trastornos cerebrales

LA JOLLA — 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 aprendido. Esta capacidad de adaptación ha sido difícil de replicar en máquinas.

Ahora, los investigadores de Salk han utilizado un modelo computacional de 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, jefe del Laboratorio de Neurobiología Computacional de Salk y autor principal del 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 los 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 nuevas situaciones y aprender continuamente 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 cambio, cada proceso relacionado debe enseñarse individualmente.

En el estudio actual, el grupo de Sejnowski diseñó un nuevo marco de modelado computacional para replicar cómo se comportan las neuronas de la corteza prefrontal, el área del cerebro responsable de la toma de decisiones y la memoria de trabajo, 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 utiliza clínicamente para diagnosticar la demencia y las enfermedades psiquiátricas, pero los investigadores de inteligencia artificial también la utilizan para evaluar 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. El marco del equipo de Sejnowski, sin embargo, 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 pensaba que el uso de puertas era importante a pequeña escala, para controlar el flujo de información dentro de pequeños grupos de células similares, pero la idea nunca se había integrado en modelos a través de toda la red.

La nueva red no solo funcionó con la misma fiabilidad que 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 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 la nueva papel. "Eso tiene implicaciones tanto para el aprendizaje automático como para comprender mejor algunas de estas enfermedades que afectan la corteza prefrontal".

Si los investigadores tienen una mejor comprensión de cómo las regiones de la corteza prefrontal trabajan juntas, 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 las 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 el coautor del estudio. Kay Tye, profesor del Laboratorio de Neurobiología de Sistemas de Salk y de la Cátedra Wylie Vale. "En este nuevo trabajo, mostramos cómo el bloqueo de información puede impulsar nuestro nuevo y mejorado modelo de la corteza prefrontal".

A continuación, el equipo quiere ampliar la red para realizar tareas más complejas que la prueba de clasificación de tarjetas y determinar si la activación de la red le da a la corteza prefrontal artificial una mejor memoria de trabajo en todas las situaciones. Si el nuevo enfoque funciona en escenarios de aprendizaje amplios, sospechan que conducirá a mejores sistemas de inteligencia artificial que pueden ser más adaptables a nuevas situaciones.

Hava Siegelmann de la Universidad de Massachusetts Amherst fue un autor adicional del estudio. El trabajo fue apoyado por subvenciones del Instituto Kavli para el Cerebro y la Mente en UC San Diego, la Oficina de Investigación Naval (N000141612829), la Fundación Nacional de Ciencias (1735004) y DARPA (W911NF1820).

DOI: X