La forma en que aprendemos es una cuestión de interés científico en el que tienen puesto el foco diferentes disciplinas. La inteligencia artificial, uno de los ámbitos más implicados, puede llegar a avanzar exponencialmente si conocemos nuestra propia biología, ya que podrían aplicar la construcción de procesos y el modo de construir conocimiento de las redes neuronales a la tecnología.
Investigadores adscritos al Imperial College of London han descubierto que la variabilidad entre las células cerebrales podría acelerar el aprendizaje y mejorar el rendimiento del cerebro y también de la Inteligencia Artificial (IA).
Uno de los descubrimientos más notorios fue que al ajustar las propiedades eléctricas de las células individuales en simulaciones de las redes cerebrales, aprenden más rápido que en simulaciones con células idénticas. Además, las redes necesitan menos células modificadas con las que obtienen los mismos resultados, por lo que este método consume menos energía.
Al ajustar las propiedades eléctricas de las células individuales en simulaciones de las redes cerebrales, aprenden más rápido que en simulaciones con células idénticas
Las neuronas son millones de células diferentes que al conectarse crean vastas redes neuronales y permiten el aprendizaje de cualquier conocimiento. Aun así, cada célula de una red neuronal artificial es idéntica, pero en el sistema de inteligencia artificial en el que opera sólo varía su conectividad. Es por ello que los investigadores se cuestionan si la falta de variabilidad celular es la causante de que las redes neuronales tecnológicas no aprendan con tanta rapidez y precisión como el cerebro humano. Fue entonces cuando concluyeron que la variabilidad en las células mejora el aprendizaje y reduce el consumo de energía también en la inteligencia artificial.
El estudio, capitaneado por Nicolás Pérez (estudiante de doctorado en el Departamento de Ingeniería Eléctrica y Electrónica del Imperial College de Londres), se basó en la “constante de tiempo” (rapidez con la que cada célula decide lo que quiere hacer en función de lo que están haciendo las células conectadas a ella), en la que se diferencian las células de decisión rápida y las de reacción lenta (que basan su decisión en las otras).
Después de variar las constantes de tiempo de las células, los investigadores asignaron a la red la tarea de realizar acciones de aprendizaje automático de referencia: clasificar imágenes de ropa y dígitos escritos a mano; reconocer los gestos humanos; e identificar comandos y dígitos hablados. Los resultados concluyen en que la combinación de información lenta y rápida permite a la red resolver mejor las tareas en entornos más complicados del mundo real. A pesar de que se puede acercar la IA al funcionamiento de nuestro cerebro emulando ciertas propiedades, estos sistemas todavía están lejos de alcanzar la eficiencia energética que encontramos en los sistemas biológicos.
OAD-ES-AMG-0001
Aceptar y salir
