Los científicos cognitivos están modelando el funcionamiento interno del cerebro humano mediante simulaciones por computadora, pero muchos modelos actuales tienden a ser inexactos. Investigadores de la Unidad de Neurorobótica Cognitiva de la Universidad de Graduados del Instituto de Ciencia y Tecnología de Okinawa (OIST) han desarrollado un modelo informático inspirado en mecanismos cerebrales biológicos conocidos, modelar cómo el cerebro aprende y reconoce nueva información y luego hace predicciones sobre las entradas sensoriales entrantes.

El modelo puede permitir que los robots "socialicen" prediciendo e imitando los comportamientos de los demás. También puede ayudar a revelar los fundamentos cognitivos del trastorno del espectro autista.

"Nuestro conocimiento del pasado informa nuestras expectativas para el presente, "dijo el profesor Jun Tani, un coautor del nuevo estudio, publicado en Computación neuronal . "Sin embargo, a menudo nos encontramos con situaciones que desafían nuestras expectativas. Estamos desarrollando modelos que pueden hacer frente a la imprevisibilidad de la vida cotidiana ".

Tani y su colaborador, ex becario postdoctoral de la OIST Ahmadreza Ahmadi, trabajó con un modelo llamado red neuronal recurrente (RNN). Su RNN se basa en la codificación predictiva, una teoría que propone que el cerebro continuamente hace predicciones sobre la información sensorial entrante, como sonidos e imágenes. Los errores, las discrepancias entre las predicciones del cerebro y la realidad, se propagan a través de capas de redes de procesamiento. Este proceso de "retropropagación" ayuda a la RNN a adaptarse a los eventos que ocurren de manera irregular, lo que le permite predecir futuras entradas sensoriales.

Entre el orden y la aleatoriedad

Las redes neuronales efectivas se encuentran a caballo entre la línea entre el orden y la aleatoriedad. Para optimizar su modelo, los investigadores introdujeron un parámetro llamado "meta previa" en el proceso de aprendizaje. Un entorno más cercano a uno generó una explicación más segura pero compleja de información sensorial detallada, mientras que un entorno más cercano a cero reduce la complejidad al permitir más incertidumbre.

Tani y su equipo entrenaron a su RNN con datos secuenciales que tenían regularidad al mismo tiempo que contenían algo de aleatoriedad. También usaron su modelo para programar un robot para aprender a imitar a otro robot que se movía en patrones específicos en órdenes aleatorias.

Los investigadores encontraron que la elección de un valor intermedio de la meta previa, un número entre cero y uno, lo convirtió en el más efectivo para los RNN para generar predicciones precisas en ambos casos.

Aparte de estudiar el desarrollo social y la cognición, el equipo de investigación espera explorar el potencial de su red para modelar el trastorno del espectro autista (TEA). Tani cree que las personas con TEA tienden a minimizar el error al desarrollar una compleja representación interna de la realidad, que se puede modelar con una configuración alta de la meta previa. Debido a esto, las personas con TEA pueden carecer de la capacidad de generalizar, ya menudo prefieren interactuar con el mismo entorno repetidamente para evitar errores e interacciones sociales desconocidas.

Por lo tanto, los investigadores creen que encontrar un mecanismo dentro del cerebro humano similar al meta a priori puede informar las futuras terapias de TEA.