Por qué incluso el cerebro de una polilla es más inteligente que una IA

Una de las características curiosas de las redes neuronales profundas detrás del aprendizaje automático es que son sorprendentemente diferentes de las redes neuronales de los sistemas biológicos. Si bien existen similitudes, algunos mecanismos críticos de aprendizaje automático no tienen análogo en el mundo natural, donde el aprendizaje parece ocurrir de una manera diferente.

Estas diferencias probablemente explican por qué los sistemas de aprendizaje automático van tan a la zaga de los naturales en algunos aspectos del rendimiento. Los insectos, por ejemplo, pueden reconocer los olores después de solo un puñado de exposiciones. Las máquinas, por otro lado, necesitan grandes conjuntos de datos de entrenamiento para aprender. Los informáticos esperan que entender más sobre las formas naturales de aprendizaje les ayude a cerrar la brecha.

Ingrese a Charles Delahunt y sus colegas de la Universidad de Washington en Seattle, quienes han creado una red neuronal artificial que imita la estructura y el comportamiento del sistema de aprendizaje olfativo en viernes manduca polillas Dicen que su sistema proporciona información importante sobre la forma en que aprenden las redes naturales, con implicaciones potenciales para las máquinas.

Primero algunos antecedentes. El sistema de aprendizaje olfativo en las polillas es relativamente simple y bien mapeado por neurocientíficos. Consta de cinco redes distintas que transmiten información de una a la siguiente.

El primero es un sistema de alrededor de 30.000 receptores químicos que detectan olores y envían un conjunto bastante ruidoso de señales al siguiente nivel, conocido como lóbulo de antena. Este contiene alrededor de 60 unidades, conocidas como glomérulos, cada una de las cuales se enfoca en olores específicos.

Luego, el lóbulo de la antena envía códigos de olor neuronal al cuerpo del hongo, que contiene unas 4.000 células kenyon y se cree que codifica los olores como recuerdos.

Finalmente, el resultado es leído por una capa de neuronas extrínsecas, cuyo número es de 10. Estos interpretan las señales del cuerpo del hongo como acciones, como volar contra el viento.

Varios aspectos de este sistema son completamente diferentes de lo que se encuentra en las redes de aprendizaje automático. Por ejemplo, el lóbulo de la antena codifica información en un espacio de parámetros de baja dimensión pero la envía al cuerpo del hongo, que la codifica en un espacio de parámetros de alta dimensión. Por el contrario, las capas de las redes neuronales artificiales tienden a tener dimensiones similares.

Y en las polillas, el reconocimiento exitoso de un olor desencadena un mecanismo de recompensa en el que las neuronas rocían un neurotransmisor químico llamado octopamina en el lóbulo de la antena y el cuerpo del hongo.

Esta es una parte crucial del proceso de aprendizaje. Octopamine parece ayudar a reforzar el cableado neuronal que conduce al éxito. Es una parte clave del aprendizaje hebbiano, en el que las células que disparan juntas se conectan entre sí. De hecho, los neurocientíficos saben desde hace mucho tiempo que las polillas no aprenden sin octopamina. Pero el papel que juega no se entiende bien.

El aprendizaje en máquinas es muy diferente. Se basa en un proceso llamado retropropagación, que modifica las conexiones neuronales de una manera que mejora los resultados. Pero la información esencialmente viaja hacia atrás a través de la red en este proceso, y no existe un análogo conocido en la naturaleza.

Para comprender mejor la forma en que aprenden las polillas, Delahunt y compañía crearon una red neuronal artificial que imita el comportamiento de la polilla natural. Construimos un modelo computacional de extremo a extremo del viernes manduca sistema olfativo de la polilla que incluye la interacción del lóbulo de la antena y el cuerpo del hongo bajo la estimulación con octopamina, dicen.

El modelo está específicamente diseñado para reproducir el comportamiento del sistema natural en todos los niveles. En particular, el modelo simula las señales ruidosas generadas por los receptores de olores y el cambio de dimensión a medida que la información fluye desde el lóbulo de la antena hasta el cuerpo del hongo, e incluye un análogo del papel que desempeña la octopamina.

Y los resultados hacen una lectura interesante. El modelo muestra cómo los receptores de olores producen una señal ruidosa que es preamplificada por el lóbulo de la antena. Sin embargo, el cambio de dimensión a medida que la señal viaja al cuerpo del hongo tiene el efecto de eliminar el ruido, y esto permite que el sistema genere señales de acción específicas e inequívocas, como volar contra el viento.

El papel de la octopamina también parece más claro. Las simulaciones muestran que el aprendizaje puede ocurrir sin octopamina, pero es tan lento que resulta inútil. Esto implica que la octopamina actúa como un poderoso acelerador del aprendizaje.

Pero cómo hace esto todavía está en discusión. Delahunt y compañía tienen sus propias ideas. Tal vez sea un mecanismo que permite que la polilla eluda las restricciones orgánicas intrínsecas en el crecimiento hebbiano de nuevas sinapsis, restricciones que de otro modo restringirían a la polilla a una tasa de aprendizaje inaceptablemente lenta, sugieren.

La octopamina también tiene otra función. El aprendizaje de Hebbian solo refuerza las conexiones que ya existen, y eso plantea la pregunta de cómo se produce el nuevo cableado. Delahunt y compañía dicen que la octopamina abre nuevos canales de transmisión para el cableado. Esto amplía el espacio de soluciones que el sistema puede explorar durante el aprendizaje, dicen.

Y lo más impresionante es que la red simulada aprende de forma similar a la red natural. Nuestro modelo es capaz de aprender nuevos olores de manera robusta, y nuestras simulaciones de neuronas integradas y disparadas coinciden con las características estadísticas de los datos de tasa de disparo in vivo, dicen Delahunt y compañía.

Este trabajo que podría tener implicaciones significativas para el diseño de redes neuronales sintéticas que necesitan aprender rápidamente. Desde una perspectiva de aprendizaje automático, el modelo produce mecanismos bioinspirados que son potencialmente útiles para construir redes neuronales para un aprendizaje rápido a partir de muy pocas muestras, dice el equipo.

Entonces, las redes de aprendizaje automático del futuro pronto pueden contener versiones simuladas de octopamina y otros neurotransmisores.

Por supuesto, no se trata solo de aprender que los neurotransmisores son importantes. Los neurocientíficos son muy conscientes del papel que desempeñan en las emociones, la regulación del estado de ánimo, etc. Ahí radica otra vía de investigación que los equipos de aprendizaje automático estarán interesados ​​en explorar.

Ref: arxiv.org/abs/1802.02678 : Mecanismos biológicos para el aprendizaje: un modelo computacional de aprendizaje olfativo en la polilla Manduca sexta, con aplicaciones a las redes neuronales

esconder