Traducido de nuestra edición en inglés. Las fuentes originales figuran a continuación. Leer en inglés
Investigadores del MIT desarrollan una red neuronal artificial autoorganizada
Investigadores del MIT han publicado un estudio en la revista PNAS que demuestra que las redes neuronales artificiales pueden diseñarse para construir su propia maquinaria de aprendizaje mediante la autoorganización. Al implementar reglas simples sobre cómo deben ajustarse las conexiones entre las unidades, el equipo creó una red que se organiza por sí misma sin la intervención de los desarrolladores. Este modelo, que funciona a un nivel comparable al de las redes tradicionales que utilizan retropropagación, tiene como objetivo proporcionar un marco más biológicamente plausible para comprender cómo el cerebro aprende y organiza sus propios circuitos.
Puntos clave
- Científicos del MIT desarrollaron una red neuronal artificial autoorganizada que construye su propia maquinaria de aprendizaje.
- La red utiliza reglas simples para ajustar las conexiones, lo que le permite reorganizarse sin un diseño externo.
- El modelo funcionó a un nivel similar al de las redes tradicionales que dependen del algoritmo de retropropagación.
- Los investigadores sugieren que la autoorganización es un paso crítico para lograr la plausibilidad biológica en los modelos de IA.
- Los hallazgos pueden ayudar eventualmente a desarrollar interfaces cerebro-computadora y a mejorar los sistemas de aprendizaje automático.
Qué ha cambiado
Un equipo de investigación del Instituto McGovern para la Investigación del Cerebro del MIT y el Centro K. Lisa Yang de Neurociencia Computacional Integrativa ha desarrollado una red computacional capaz de autoorganizarse. A diferencia de los sistemas de IA estándar que dependen de la retropropagación, esta red utiliza reglas simples y localizadas para ajustar las conexiones entre unidades similares a neuronas.
El equipo demostró que estas reglas permiten a la red formar motivos autoensamblables, que sirven como bloques de construcción para circuitos funcionales. A medida que la red procesa datos, estos motivos se reorganizan utilizando una estrategia de optimización similar al descenso de gradiente, lo que permite al sistema aprender a reconocer patrones y clasificar imágenes.
Implicaciones para la neurociencia y la IA
El estudio aborda una brecha fundamental entre el aprendizaje artificial y el biológico. Si bien la IA moderna a menudo utiliza la retropropagación, los neurocientíficos generalmente consideran que es poco probable que este método sea utilizado por el cerebro humano, que carece de un arquitecto externo.
Los investigadores sugieren que si los motivos sinápticos propuestos reflejan los utilizados por el cerebro, podría establecerse una conexión más fuerte entre los mecanismos de aprendizaje de las máquinas y los biológicos. Esta comprensión se considera vital para futuras aplicaciones, como el desarrollo de interfaces cerebro-computadora avanzadas para pacientes con pérdida del lenguaje o parálisis.