Las redes neuronales profundas están ayudando a descifrar cómo funcionan los cerebros

En el invierno de 2011, Daniel Yamins, un investigador postdoctoral en neurociencia computacional en el Instituto de Tecnología de Massachusetts, a veces se afanaba hasta pasada la medianoche en su proyecto de visión artificial. Estaba diseñando minuciosamente un sistema que podía reconocer objetos en imágenes, independientemente de las variaciones de tamaño, posición y otras propiedades, algo que los humanos hacen con facilidad. El sistema era una red neuronal profunda, un tipo de dispositivo computacional inspirado en el cableado neurológico de los cerebros vivos.

Historia original reimpreso con permiso de Revista Quanta, una publicación editorialmente independiente de la Fundación Simons cuya misión es mejorar la comprensión pública de la ciencia al cubrir los desarrollos de investigación y las tendencias en matemáticas y ciencias físicas y de la vida.

“Recuerdo muy claramente el momento en que encontramos una red neuronal que realmente resolvió la tarea”, dijo. Eran las 2 de la mañana, un poco demasiado temprano para despertar a su asesor, James DiCarlo, u otros colegas, por lo que Yamins, emocionado, dio un paseo por el aire frío de Cambridge. “Estaba realmente emocionado”, dijo.

Habría contado como un logro digno de mención solo en inteligencia artificial, uno de los muchos que convertirían a las redes neuronales en las favoritas de la tecnología de IA en los próximos años. Pero ese no era el objetivo principal de Yamins y sus colegas. Para ellos y para otros neurocientíficos, este fue un momento crucial en el desarrollo de modelos computacionales para las funciones cerebrales.

DiCarlo y Yamins, que ahora dirige su propio laboratorio en la Universidad de Stanford, son parte de un círculo de neurocientíficos que utilizan redes neuronales profundas para dar sentido a la arquitectura del cerebro. En particular, los científicos han luchado por comprender las razones detrás de las especializaciones dentro del cerebro para diversas tareas. Se han preguntado no solo por qué las diferentes partes del cerebro hacen cosas diferentes, sino también por qué las diferencias pueden ser tan específicas: ¿por qué, por ejemplo, el cerebro tiene un área para reconocer objetos en general pero también para rostros en particular? Las redes neuronales profundas están demostrando que tales especializaciones pueden ser la forma más eficiente de resolver problemas.

El neurocientífico computacional Daniel Yamins, ahora en la Universidad de Stanford, demostró que una red neuronal que procesa las características de una escena jerárquicamente, al igual que lo hace el cerebro, podría igualar el desempeño de los humanos en el reconocimiento de objetos.Fotografía: Fontejon Photography / Instituto de Neurociencias Wu Tsai

De manera similar, los investigadores han demostrado que las redes profundas más competentes para clasificar el habla, la música y los aromas simulados tienen arquitecturas que parecen ser paralelas a los sistemas auditivo y olfativo del cerebro. Dichos paralelos también se muestran en redes profundas que pueden mirar una escena 2D e inferir las propiedades subyacentes de los objetos 3D dentro de ella, lo que ayuda a explicar cómo la percepción biológica puede ser rápida e increíblemente rica. Todos estos resultados sugieren que las estructuras de los sistemas neuronales vivos incorporan ciertas soluciones óptimas para las tareas que han asumido.

Estos éxitos son tanto más inesperados dado que los neurocientíficos han sido escépticos durante mucho tiempo sobre las comparaciones entre cerebros y redes neuronales profundas, cuyo funcionamiento puede ser inescrutable. “Honestamente, nadie en mi laboratorio estaba haciendo nada con redes profundas [until recently]”, Dijo la neurocientífica del MIT Nancy Kanwisher. “Ahora, la mayoría de ellos los está capacitando de forma rutinaria”.

Visión y redes profundas

Las redes neuronales artificiales se construyen con componentes de interconexión llamados perceptrones, que son modelos digitales simplificados de neuronas biológicas. Las redes tienen al menos dos capas de perceptrones, una para la capa de entrada y otra para la salida. Emparede una o más capas “ocultas” entre la entrada y la salida y obtienes una red neuronal “profunda”; cuanto mayor sea el número de capas ocultas, más profunda será la red.

Las redes profundas se pueden entrenar para seleccionar patrones en los datos, como patrones que representan imágenes de gatos o perros. El entrenamiento implica el uso de un algoritmo para ajustar iterativamente la fuerza de las conexiones entre los perceptrones, de modo que la red aprenda a asociar una entrada determinada (los píxeles de una imagen) con la etiqueta correcta (gato o perro). Una vez entrenada, la red profunda idealmente debería poder clasificar una entrada que no haya visto antes.

En su estructura y función general, las redes profundas aspiran vagamente a emular cerebros, en los que las fuerzas ajustadas de las conexiones entre neuronas reflejan asociaciones aprendidas. Los neurocientíficos a menudo han señalado limitaciones importantes en esa comparación: Las neuronas individuales pueden procesar información más extensamente que los perceptrones “tontos”, por ejemplo, y las redes profundas frecuentemente dependen de un tipo de comunicación entre perceptrones llamada retropropagación que no parece ocurrir en el sistema nervioso. Sin embargo, para los neurocientíficos computacionales, las redes profundas a veces parecían la mejor opción disponible para modelar partes del cerebro.

Fuente

DEJA UNA RESPUESTA

Por favor ingrese su comentario!
Por favor ingrese su nombre aquí