Crean algoritmos que imitan la evolución biológica

Científicos del Proyecto Cerebro Humano presentan un nuevo enfoque para revelar los principios del aprendizaje neuronal con algoritmos que imitan la evolución biológica y aprenden eficientemente a través de la evolución creativa.

Descubrir los mecanismos del aprendizaje a través de la plasticidad sináptica es un paso fundamental para comprender cómo funcionan nuestros cerebros y construir máquinas adaptativas verdaderamente inteligentes.

Nuestros cerebros son increíblemente adaptables.

Todos los días, formamos nuevos recuerdos, adquirimos nuevos conocimientos o perfeccionamos las habilidades existentes.

Esto contrasta notablemente con nuestras computadoras actuales, que generalmente solo realizan acciones preprogramadas.

En el centro de nuestra adaptabilidad se encuentra la plasticidad sináptica.

Las sinapsis son los puntos de conexión entre las neuronas, que pueden cambiar de diferentes formas dependiendo de cómo se utilicen.

Esta plasticidad sináptica es un tema de investigación importante en neurociencia, ya que es fundamental para los procesos de aprendizaje y la memoria.

Para comprender mejor estos procesos cerebrales y construir máquinas adaptativas, los investigadores en los campos de la neurociencia y la inteligencia artificial (IA) están creando modelos para los mecanismos subyacentes a estos procesos.

Estos modelos de aprendizaje y plasticidad ayudan a comprender el procesamiento de la información biológica y también deberían permitir que las máquinas aprendan más rápido.

Trabajando en el Proyecto del Cerebro Humano, los investigadores del Instituto de Fisiología de la Universidad de Berna han desarrollado un nuevo enfoque basado en los llamados algoritmos evolutivos.

Estos programas de computadora buscan soluciones a problemas imitando el proceso de evolución biológica, como el concepto de selección natural.

Por lo tanto, la aptitud biológica, que describe el grado en que un organismo se adapta a su entorno, se convierte en un modelo para los algoritmos evolutivos.

En tales algoritmos, la “idoneidad” de una solución candidata es qué tan bien resuelve el problema subyacente.

El enfoque desarrollado recientemente se conoce como el enfoque “evolucionar para aprender” (E2L) o “volverse adaptativo“.

El equipo de investigación dirigido por el Dr. Mihai Petrovici del Instituto de Fisiología de la Universidad de Berna y el Instituto Kirchhoff de Física de la Universidad de Heidelberg, confrontó los algoritmos evolutivos con tres escenarios de aprendizaje típicos.

En el primero, la computadora tenía que detectar un patrón repetido en un flujo continuo de entrada sin recibir retroalimentación sobre su desempeño.

En el segundo escenario, la computadora recibió recompensas virtuales cuando se comportó de la manera deseada en particular.

Finalmente, en el tercer escenario de “aprendizaje guiado“, se le dijo a la computadora con precisión cuánto se desvió su comportamiento del deseado.

“Vemos a E2L como un enfoque prometedor para obtener conocimientos profundos sobre los principios del aprendizaje biológico y acelerar el progreso hacia poderosas máquinas de aprendizaje artificial”, dice Mihai Petrovoci.

“Esperamos que acelere la investigación sobre la plasticidad sináptica en el sistema nervioso“, concluye Jakob Jordan.

Los hallazgos proporcionarán nuevos conocimientos sobre cómo funcionan los cerebros sanos y enfermos.

También pueden allanar el camino para el desarrollo de máquinas inteligentes que puedan adaptarse mejor a las necesidades de sus usuarios.

Fuente: Unibe