A diferencia de nuestras computadoras contemporáneas, que casi siempre responden a instrucciones predefinidas, nuestro cerebro se caracteriza por ser sumamente moldeable. Esta maleabilidad se centra mayormente en la plasticidad sináptica, entendida esta como los nodos de interconexión entre las células cerebrales o neuronas. Para los neurocientíficos, la plasticidad sináptica es un área de constante estudio, pues constituye la base de los procesos de aprendizaje y de retentiva de la memoria.
Expertos en neurociencia e inteligencia artificial (IA) se esfuerzan por desarrollar patrones de los mecanismos inherentes a estos procesos con el objetivo de comprender de un modo más cabal el funcionamiento del cerebro. Estos patrones son instrumentales en nuestro proceso de entender cómo se procesa la información biológica y son fundamentales para optimizar la velocidad de aprendizaje de las máquinas.
“Algoritmos evolutivos edificados con IA”
Científicos del Instituto de Fisiología de la Universidad de Berna han generado un nuevo enfoque que se basa en «algoritmos evolutivos» y estos programas de computadora buscan soluciones emulando el proceso de la evolución biológica.
La investigación fue liderada por el Dr. Mihai Petrovici del Instituto de Fisiología de la Universidad de Berna y del Instituto Kirchhoff de Física de la Universidad de Heidelberg.
Los hallazgos del estudio fueron publicados en la revista eLife.
Esto supone que la adaptabilidad biológica, que se refiere a la medida en que un organismo se acomoda a su entorno, puede ser un modelo para algoritmos evolutivos. Con estos algoritmos, la «aptitud» de una solución prospectiva depende de su capacidad de resolver el problema subyacente.
Triplicidad de escenarios de aprendizaje
El nuevo enfoque se denomina «evolucionar para aprender» o «volverse adaptable». El equipo de investigación se enfocó en tres escenarios típicos de aprendizaje. El primero de ellos implicaba que una computadora debía identificar un patrón regular en un flujo continuo de entrada sin recibir retroalimentación sobre su desempeño.
El segundo escenario requería que la computadora obtuviera recompensas virtuales al lograr un comportamiento deseado.
El último escenario se basaba en un «aprendizaje guiado», en el cual se informaba a la computadora exactamente cuánto difería su comportamiento del deseado.
El Dr. Jakob Jordan es autor principal del Instituto de Fisiología de la Universidad de Berna.
«En estos escenarios, los algoritmos evolutivos demostraron la capacidad de descubrir mecanismos de plasticidad sináptica y, por lo tanto, solventar con éxito una tarea nueva», comentó el Dr. Jordan.
Los algoritmos manifestaron un alto grado de originalidad.
El Dr. Maximilian Schmidt es coprimer autor del estudio.
“Por ejemplo, el algoritmo descubrió un nuevo modelo de plasticidad en el que las señales que definimos se amalgaman para conformar una señal nueva. De hecho, notamos que las redes que emplean esta señal nueva aprenden más rápidamente que con las reglas establecidas con anterioridad”, aseguró el Dr. Schmidt.
«Consideramos que E2L es un enfoque alentador para adquirir conocimientos más profundos sobre los principios del aprendizaje biológico y acelerar el avance hacia potentes máquinas de aprendizaje artificial», manifestó Petrovoci.
«Esperamos que acelere la investigación sobre la plasticidad sináptica en el sistema nervioso», mencionó el Dr. Jordan.
El equipo sostiene que las nuevas aportaciones proporcionarán una visión más detallada de cómo funcionan los cerebros sanos y enfermos, y podrían ayudar en el avance de máquinas inteligentes que se puedan adaptar a sus usuarios.
LEE MÁS ARTÍCULOS SOBRE: Ciencia de Datos con IA.
LEE LA ENTRADA ANTERIOR: GM anuncia inversión de 300 millones de dólares en la startup china Momenta.