Hojas susurrantes, una rama crujiente: para un ratón, estas impresiones sensoriales pueden parecer inofensivas al principio, pero no si un gato brota repentinamente del arbusto. De ser así, eran pistas de un peligro inminente que amenaza la vida. Robert Gütigdel Instituto Max Planck de Medicina Experimental en Gotinga ha descubierto ahora cómo el cerebro puede vincular las percepciones sensoriales con los eventos que ocurren después de un retraso. En un modelo informático, ha desarrollado un procedimiento de aprendizaje en el que las neuronas modelo pueden aprender a distinguir entre muchas diferentesestímulos ajustando su actividad a la frecuencia de las señales. El modelo incluso funciona cuando hay un retraso de tiempo entre la señal y el evento o resultado. El procedimiento de aprendizaje de Gütig no solo es vital para la supervivencia de cada criatura viviente, ya que les permitepara filtrar los estímulos ambientales; también ayuda a resolver una serie de dificultades tecnológicas de aprendizaje. Una posible aplicación es el desarrollo de programas de reconocimiento de voz.
En el mundo animal, los peligros suelen ir precedidos de señales de advertencia: los sonidos reveladores, los movimientos y los olores pueden ser indicios de un ataque inminente. Si un ratón sobrevive al ataque de un gato, su futuro será más brillante si aprende del fracasointenta y lee las pistas temprano la próxima vez. Sin embargo, los ratones son constantemente bombardeados con una gran cantidad de impresiones sensoriales, la mayoría de las cuales no están asociadas con el peligro. Entonces, ¿cómo saben qué sonidos y olores de su entorno presagian un ataque de gato y¿cuáles no?
Esto plantea un problema para el cerebro del ratón. En la mayoría de los casos, los estímulos ambientales cruciales se dispersan temporalmente del ataque real, por lo que el cerebro debe vincular una pista y el evento resultante por ejemplo, un sonido y un ataque aunque hayaun retraso entre ellos. Las teorías anteriores no han proporcionado explicaciones satisfactorias sobre cómo el cerebro cierra la brecha entre una señal y el resultado asociado. Robert Gütig, del Instituto Max Planck de Medicina Experimental, ha descubierto cómo el cerebro puede resolver este problema.computadora, programó una red neuronal que reacciona a los estímulos de la misma manera que un grupo de células biológicas. Esta red puede aprender a filtrar las señales que predicen un evento posterior.
depende de la frecuencia
La red aprende fortaleciendo o debilitando sinapsis específicas entre las neuronas modelo. La base del modelo informático es una regla de aprendizaje sináptico bajo la cual las neuronas individuales pueden aumentar o disminuir su actividad en respuesta a una señal de aprendizaje simple. Gütig ha utilizado este aprendizajeregla para establecer un nuevo procedimiento de aprendizaje: "Este procedimiento de aprendizaje de 'etiqueta agregada' se basa en el concepto de establecer las conexiones entre las células de tal manera que la actividad neuronal resultante durante un cierto período sea proporcional al número de señales".explica Gütig. De esta manera, si una señal de aprendizaje refleja la ocurrencia e intensidad de ciertos eventos en el entorno del ratón, las neuronas aprenden a reaccionar a los estímulos que predicen esos eventos.
Sin embargo, las redes de Gütig pueden aprender a reaccionar a los estímulos ambientales incluso cuando no hay señales de aprendizaje disponibles en el entorno. Lo hacen interpretando la actividad neuronal promedio dentro de una red como una señal de aprendizaje. Las neuronas individuales aprenden a reaccionar a los estímulos que ocurrenen los mismos números que aquellos a los que reaccionan otras neuronas en la red. Este aprendizaje "auto supervisado" sigue un principio diferente a la teoría de Hebbian que se ha aplicado con frecuencia en redes neuronales artificiales. Las redes de Hebbian aprenden fortaleciendo las sinapsis entre neuronas quepico al mismo tiempo o en rápida sucesión. "En el aprendizaje auto supervisado, no es necesario que la actividad neuronal esté alineada temporalmente. El número total de picos en un período dado es el factor decisivo para el cambio sináptico", dice GütigEsto significa que tales redes pueden vincular pistas sensoriales de diferentes tipos, por ejemplo, visual, auditiva y olfativa, incluso cuando hay retrasos significativos entre su respeto.tive representaciones neurales.
El procedimiento de aprendizaje de Gütig no solo explica los procesos biológicos, sino que también podría allanar el camino para mejoras de gran alcance en aplicaciones tecnológicas como el reconocimiento automático de voz ". Eso facilitaría una considerable simplificación de los requisitos de capacitación para el reconocimiento de voz basado en computadora. En cambiode bases de datos de lenguaje laboriosamente segmentadas o algoritmos de segmentación complejos, el aprendizaje de etiqueta agregada podría manejarse solo con los subtítulos de los noticieros, por ejemplo ", dice Gütig.
Fuente de la historia :
Materiales proporcionado por Max-Planck-Gesellschaft . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :