Llámelo un desarrollo a-MAZE-ing:un equipo de investigadores con sede en el Reino Unido ha desarrollado un programa de inteligencia artificial que puede aprender a tomar atajos a través de un laberinto para alcanzar su objetivo. En el proceso, el programa desarrolló estructuras similares a las del cerebro humano.

La aparición de estas "celdas de cuadrícula computacionales, "descrito en la revista Naturaleza , podría ayudar a los científicos a diseñar un mejor software de navegación para futuros robots e incluso ofrecer una nueva ventana a través de la cual explorar los misterios del cerebro de los mamíferos.

En años recientes, Los investigadores de inteligencia artificial han desarrollado y perfeccionado redes de aprendizaje profundo, programas en capas que pueden generar soluciones novedosas para lograr su objetivo asignado. Por ejemplo, una red de aprendizaje profundo puede saber qué rostro identificar en una serie de fotos diferentes, y a través de varias rondas de entrenamiento, puede ajustar sus algoritmos hasta que detecte la cara correcta prácticamente en todo momento.

Estas redes están inspiradas en el cerebro, pero no funcionan como ellos, dijo Francesco Savelli, un neurocientífico de la Universidad Johns Hopkins que no participó en el artículo. Hasta aquí, Los sistemas de IA no se acercan a emular la arquitectura del cerebro, la diversidad de neuronas reales, la complejidad de las neuronas individuales o incluso las reglas por las que aprenden.

"Se cree que la mayor parte del aprendizaje ocurre con el fortalecimiento y el debilitamiento de estas sinapsis, Savelli dijo en una entrevista, refiriéndose a las conexiones entre neuronas. "Y eso también es cierto para estos sistemas de inteligencia artificial, pero exactamente cómo lo haces, y las reglas que gobiernan ese tipo de aprendizaje, podría ser muy diferente en el cerebro y en estos sistemas ".

A pesar de todo, La IA ha sido realmente útil para varias funciones, desde el reconocimiento facial hasta el descifrado de la escritura a mano y la traducción de idiomas, Dijo Savelli. Pero las actividades de nivel superior, como navegar en un entorno complejo, han resultado mucho más desafiantes.

Un aspecto de la navegación que nuestro cerebro parece realizar sin un esfuerzo consciente es la integración de caminos. Los mamíferos utilizan este proceso para volver a calcular su posición después de cada paso que dan, teniendo en cuenta la distancia que han viajado y la dirección en la que miran. Se cree que es clave para la capacidad del cerebro de producir un mapa de su entorno.

Entre las neuronas asociadas con estos "mapas cognitivos":células de lugar, que se iluminan cuando su dueño se encuentra en algún punto particular del entorno; celdas en la dirección de la cabeza, que le dicen a su dueño en qué dirección están mirando; y celdas de cuadrícula, que parecen responder a una cuadrícula hexagonal imaginaria mapeada sobre el terreno circundante. Cada vez que una persona pisa un "nodo" en esta cuadrícula, la neurona se dispara.

"Se cree que las celdas de cuadrícula dotan al mapa cognitivo de propiedades geométricas que ayudan a planificar y seguir trayectorias, Savelli y su colega neurocientífico de Johns Hopkins, James Knierim, escribieron en un comentario sobre el artículo. El descubrimiento de las celdas de la cuadrícula le valió a tres científicos el Premio Nobel de fisiología o medicina de 2014.

Los humanos y otros animales parecen tener muy pocos problemas para moverse por el espacio porque todas estas neuronas altamente especializadas trabajan juntas para decirnos dónde estamos y hacia dónde vamos.

Científicos de DeepMind, que es propiedad de Google y University College London, se preguntó si podrían desarrollar un programa que también pudiera realizar la integración de rutas. Entonces entrenaron a la red con simulaciones de caminos utilizados por roedores en busca de alimento. También le proporcionaron datos sobre el movimiento y la velocidad de un roedor, así como la retroalimentación de las celdas de lugar simuladas y las celdas de dirección de la cabeza.

Durante esta formación, los investigadores notaron algo extraño:el roedor simulado parecía desarrollar patrones de actividad que se parecían notablemente a las celdas de la cuadrícula, a pesar de que las celdas de la cuadrícula no habían sido parte de su sistema de entrenamiento.

"La aparición de unidades en forma de cuadrícula es un ejemplo impresionante de aprendizaje profundo que hace lo que mejor sabe hacer:inventar un original, representación interna a menudo impredecible para ayudar a resolver una tarea, ", Escribieron Savelli y Knierim.

Las celdas de cuadrícula parecen ser tan útiles para la integración de rutas que a este falso roedor se le ocurrió una solución inquietantemente similar a un cerebro de roedor real. Luego, los investigadores se preguntaron:¿Podrían las celdas de la cuadrícula también ser útiles en otro aspecto crucial de la navegación de los mamíferos?

Ese aspecto, llamada navegación basada en vectores, es básicamente la capacidad de calcular el tiro directo, distancia "en línea recta" hasta una meta, incluso si al principio te tomaste más tiempo, ruta menos directa. Es una habilidad útil para encontrar atajos a su destino, Savelli señaló.

Para probar esto, Los investigadores desafiaron al falso roedor habilitado para celdas de cuadrícula a resolver un laberinto, pero bloqueó la mayoría de las puertas, por lo que el programa tendría que tomar el camino más largo hacia su objetivo. También modificaron el programa para que fuera recompensado por acciones que lo acercaran a la meta. Entrenaron a la red en un laberinto dado y luego abrieron atajos para ver qué sucedía.

Bastante seguro, el roedor simulado con celdas de cuadrícula rápidamente encontró y usó los atajos, a pesar de que esas vías eran nuevas y desconocidas. Y funcionó mucho mejor que un falso roedor cuyo punto de inicio y punto de meta fueron rastreados solo por celdas de lugar y celdas de dirección de la cabeza. Incluso superó a un "experto humano, ", dijeron los autores del estudio.

Los hallazgos eventualmente podrían resultar útiles para los robots que se abren camino a través de un territorio desconocido. Dijo Savelli. Y desde una perspectiva neurocientífica, podrían ayudar a los investigadores a comprender mejor cómo estas neuronas hacen su trabajo en el cerebro de los mamíferos.

Por supuesto, este programa fue muy simplificado en comparación con su contraparte biológica, Savelli señaló. En el roedor simulado, las "celdas de lugar" no cambiaron, a pesar de que las celdas de lugar y las celdas de la cuadrícula se influyen entre sí de formas complejas en los cerebros reales.

"Al desarrollar la red de manera que la capa de celda de lugar pueda ser modulada por entradas en forma de cuadrícula, podríamos empezar a desempacar esta relación, ", Escribieron Savelli y Knierim.

El desarrollo de este programa de inteligencia artificial podría ayudar a los científicos a comenzar a comprender todas las relaciones complejas que entran en juego en los sistemas neuronales vivos. ellos agregaron.

Pero ya sea que quieran perfeccionar la tecnología o usarla para comprender la biología, los científicos tendrán que manejar mejor sus propios programas de aprendizaje profundo, cuyas soluciones a los problemas a menudo son difíciles de descifrar incluso si obtienen resultados consistentemente, dijeron los científicos.

"Hacer que los sistemas de aprendizaje profundo sean más inteligibles para el razonamiento humano es un desafío emocionante para el futuro, ", Escribieron Savelli y Knierim.

© 2018 Los Angeles Times
Distribuido por Tribune Content Agency, LLC.