Enseñan a una sola neurona artificial a reconocer cientos de patrones

La inteligencia artificial es un campo en medio de cambios rápidos y emocionantes. Eso se debe en gran parte a una mejor comprensión de cómo funcionan las redes neuronales y a la creación de vastas bases de datos para ayudar a entrenarlas. El resultado son máquinas que de repente se han vuelto mejores en cosas como el reconocimiento de rostros y objetos, tareas en las que los humanos siempre han tenido la ventaja (ver Enseñar a las máquinas a entendernos).

Pero hay un rompecabezas en el corazón de estos avances. Aunque las redes neuronales aparentemente están modeladas en la forma en que funciona el cerebro humano, las neuronas artificiales que contienen no se parecen en nada a las que funcionan en nuestro propio software húmedo. Las neuronas artificiales, por ejemplo, generalmente tienen solo un puñado de sinapsis y carecen por completo de las extensiones nerviosas cortas y ramificadas conocidas como dendritas y las miles de sinapsis que se forman a lo largo de ellas. De hecho, nadie sabe realmente por qué las neuronas reales tienen tantas sinapsis.

Hoy, eso cambia gracias al trabajo de Jeff Hawkins y Subutai Ahmad en Numenta, una startup de Silicon Valley enfocada en comprender y explotar los principios detrás del procesamiento de información biológica. El gran avance que han logrado estos muchachos es presentar una nueva teoría que finalmente explica el papel de la gran cantidad de sinapsis en las neuronas reales y crear un modelo basado en esta teoría que reproduce muchos de los comportamientos inteligentes de las neuronas reales.

Las neuronas reales consisten en un cuerpo celular, conocido como soma, que contiene el núcleo de la célula y desde el cual se extienden varias dendritas cercanas o proximales, así como el axón, una fina proyección similar a un cable que puede extenderse muchos centímetros para conectarse. a otras neuronas. Al final del axón hay otro conjunto de ramas, conocidas como dendritas distales debido a su distancia del soma.

Las dendritas proximales y distales establecen miles de conexiones, llamadas sinapsis, con los axones de otras células nerviosas. Estas conexiones influyen en la velocidad a la que la célula nerviosa produce señales eléctricas conocidas como picos.

El consenso es que las neuronas aprenden reconociendo ciertos patrones de conexiones entre sus sinapsis y se disparan cuando ven este patrón.

Pero si bien es fácil entender cómo las sinapsis proximales pueden influir en el cuerpo celular y la velocidad de disparo, es difícil entender cómo las sinapsis distales pueden hacer lo mismo, porque están muy lejos.

Hawkins y Ahmad ahora dicen que saben lo que está pasando. Su nueva idea es que las sinapsis distales y proximales juegan papeles completamente diferentes en el proceso de aprendizaje. Las sinapsis proximales desempeñan el papel convencional de activar la activación de la célula cuando surgen ciertos patrones de conexiones.

Este es el proceso convencional de aprendizaje. Mostramos que una neurona puede reconocer cientos de patrones incluso en presencia de grandes cantidades de ruido y variabilidad, siempre que la actividad neuronal general sea escasa, dicen Hawkins y Ahmad.

Pero las sinapsis distales hacen otra cosa. También reconocen cuando ciertos patrones están presentes, pero no activan el disparo. En cambio, influyen en el estado eléctrico de la celda de una manera que hace que sea más probable que se dispare si ocurre otro patrón específico. Entonces, las sinapsis distales preparan a la célula para la llegada de otros patrones. O, como lo expresaron Hawkins y Ahmad, estas sinapsis ayudan a la célula a predecir cuál será el próximo patrón detectado por las sinapsis proximales.

Eso es muy importante. Significa que además de aprender cuándo está presente un patrón específico, la célula también aprende la secuencia en la que aparecen los patrones. Mostramos cómo una red de neuronas con esta propiedad aprenderá y recordará secuencias de patrones, dicen.

Además, demuestran que todo esto funciona bien, incluso en presencia de grandes cantidades de ruido, como siempre ocurre en los sistemas biológicos.

Esa es una nueva forma significativa de pensar sobre las neuronas y que reproduce algunas de las características clave del procesamiento de información en el cerebro humano. Por ejemplo, Hawkins y Ahmad muestran que este sistema no recuerda cada detalle de cada patrón en una secuencia, sino que almacena la diferencia entre un patrón y el siguiente.

Entonces, lo importante no es la cantidad total de información en un patrón, sino la diferencia entre este patrón y el siguiente.

Esa es una propiedad interesante que puede ayudar a explicar otra característica desconcertante de la memoria humana llamada fragmentación. Esta es la observación de que, en promedio, los humanos pueden almacenar alrededor de siete fragmentos de información en sus memorias de trabajo. Estos fragmentos pueden ser cosas como dígitos, letras o incluso palabras, pero sean lo que sean, los humanos solo pueden recordar alrededor de siete (¡más o menos dos!).

Pero aquí está la cosa: el contenido de información de una sola palabra, como sinapsis, es significativamente mayor que el contenido de información de un solo dígito, como un 7. El enigma es que nadie sabe cómo el cerebro logra mantener la información en siete. palabras tan fácilmente como contiene la información en siete dígitos.

Pero en el nuevo modelo de Hawkins y Ahmad este problema desaparece. El cerebro no almacena la información relacionada con la palabra o el dígito, solo la diferencia entre ellos, que puede ser significativamente menor. Eso debería conducir a algunas hipótesis comprobables sobre la naturaleza de la memoria.

El nuevo modelo también conduce a otras hipótesis comprobables. Por ejemplo, el modelo solo funciona cuando hay unas pocas sinapsis entre el axón de una neurona y una dendrita de otra. Si hubiera demasiadas sinapsis, no sería posible distinguir un patrón de otro y todos los patrones se verían iguales.

Si el modelo de Hawkins y Ahmad es correcto, esto no puede suceder en las neuronas reales. Para evitar que esto suceda, predecimos la existencia de un mecanismo que desalienta activamente la formación de múltiples sinapsis después de que se haya establecido una, dicen.

Eso es algo inusual en biología: una hipótesis comprobable. Pero es uno que seguramente les da a los neurocientíficos algo que buscar con sus lupas.

Un último punto es que este nuevo pensamiento no proviene de un entorno académico sino de una startup de Silicon Valley. Esta empresa es creación de Jeff Hawkins, un empresario, inventor y neurocientífico. Hawkins inventó la Palm Pilot en la década de 1990 y desde entonces ha centrado su atención en la neurociencia a tiempo completo.

Esa es una combinación inusual de experiencia, pero que hace que sea muy probable que veamos estas nuevas neuronas artificiales trabajando en problemas del mundo real en un futuro no muy lejano. Por cierto, Hawkins y Ahmad llaman a sus nuevos juguetes neuronas de memoria temporal jerárquica o neuronas HTM. Espera escuchar mucho más sobre ellos.

Ref: arxiv.org/abs/1511.00083 : Por qué las neuronas tienen miles de sinapsis, una teoría de la memoria de secuencias en el neocórtex

esconder