Saltar al contenido

El nuevo mecanismo de aprendizaje del cerebro exige la revisión de la hipótesis de la neurociencia sostenida durante mucho tiempo

29 de abril de 2022

Resumen: Las observaciones experimentales concluyen que el aprendizaje lo realizan principalmente los árboles de dendritas neuronales en lugar de modificar únicamente a través de la fuerza de las sinapsis, como se creía anteriormente.

Fuente: Universidad de Bar-Ilan

El cerebro es una red compleja que contiene miles de millones de neuronas. Cada una de estas neuronas se comunica simultáneamente con miles de otras a través de sus sinapsis (enlaces) y recopila señales entrantes a través de varios «brazos» ramificados extremadamente largos llamados árboles dendríticos.

Durante los últimos 70 años, una hipótesis central de la neurociencia ha sido que el aprendizaje del cerebro se produce mediante la modificación de la fuerza de las sinapsis, siguiendo la actividad de activación relativa de las neuronas que las conectan.

Esta hipótesis ha sido la base de los algoritmos de aprendizaje automático y profundo que afectan cada vez más a casi todos los aspectos de nuestras vidas. Pero después de siete décadas, esta hipótesis de larga duración ahora se ha puesto en duda.

En un artículo publicado hoy en Informes científicosinvestigadores de la Universidad Bar-Ilan en Israel revelan que el cerebro aprende de manera completamente diferente a lo que se suponía desde el siglo XX.

Las nuevas observaciones experimentales sugieren que el aprendizaje se realiza principalmente en árboles dendríticos neuronales, donde el tronco y las ramas del árbol modifican su fuerza, en lugar de modificar únicamente la fuerza de las sinapsis (hojas dendríticas), como se pensaba anteriormente.

Estas observaciones también indican que la neurona es en realidad un elemento mucho más complejo, dinámico y computacional que un elemento binario que puede dispararse o no.

Recomendado:  Las 5 historias principales de la semana: avances de DeepMind y OpenAI, el plan de Intel para GPU, fallas de día cero de Microsoft

Una sola neurona puede realizar algoritmos de aprendizaje profundo, que anteriormente requerían una red artificial compleja que constaba de miles de neuronas y sinapsis conectadas.

“Hemos demostrado que el aprendizaje eficiente en árboles dendríticos de una sola neurona puede lograr artificialmente tasas de éxito cercanas a la unidad para el reconocimiento de dígitos escritos a mano. Este hallazgo allana el camino para un nuevo tipo eficiente de hardware y algoritmos de inteligencia artificial inspirados biológicamente”, dijo el profesor Ido Kanter, del Departamento de Física de Bar-Ilan y el Centro Multidisciplinario de Investigación Cerebral Gonda (Goldschmied), quien dirigió la investigación.

Un cambio de paradigma en la investigación del cerebro: la nueva neurona y el nuevo tipo de aprendizaje. Crédito: Prof. Ido Kanter, Universidad Bar-Ilan

“Este mecanismo de aprendizaje simplificado representa un paso hacia una realización biológica plausible de algoritmos de retropropagación, que actualmente son la técnica central en IA”, agregó Shiri Hodassman, Ph.D. estudiante y uno de los principales contribuyentes a este trabajo.

El aprendizaje eficiente en árboles dendríticos se basa en la evidencia experimental de Kanter y su equipo de investigación para la adaptación subdendrítica utilizando cultivos neuronales, junto con otras propiedades anisotrópicas de las neuronas, como diferentes formas de onda de pico, períodos refractarios y tasas de transmisión máximas.

El reloj del cerebro es mil millones de veces más lento que las GPU paralelas existentes, pero con tasas de éxito comparables en muchas tareas de percepción.

La nueva demostración de aprendizaje eficiente en árboles dendríticos exige nuevos enfoques en la investigación del cerebro, así como la generación de hardware equivalente con el objetivo de implementar algoritmos avanzados de IA. Si uno puede implementar dinámicas cerebrales lentas en computadoras ultrarrápidas, el cielo es el límite.

Recomendado:  ¿Quién está construyendo el futuro del trabajo?

Sobre esta noticia de investigación en neurociencia y aprendizaje

Autor: Oficina de prensa
Fuente: Universidad de Bar-Ilan
Contacto: Oficina de Prensa – Universidad Bar-Ilan
Imagen: La imagen está acreditada a la Universidad Bar-Ilan.

Investigacion original: Acceso abierto.
“Aprendizaje dendrítico eficiente como alternativa a la hipótesis de la plasticidad sináptica” por Shiri Hodassman et al. Informes científicos


Resumen

Ver también

Esto muestra el contorno de dos cabezas.

Aprendizaje dendrítico eficiente como alternativa a la hipótesis de la plasticidad sináptica

La plasticidad sináptica es una hipótesis central duradera del aprendizaje cerebral que sugiere una adaptación local entre dos neuronas conectadas y constituye la base del aprendizaje automático.

La principal complejidad de la plasticidad sináptica es que las sinapsis y las dendritas conectan las neuronas en serie y los experimentos existentes no pueden identificar la ubicación de adaptación impresa significativa.

Mostramos una retropropagación eficiente y el aprendizaje hebbiano en árboles dendríticos, inspirados en evidencia basada en experimentos, para la adaptación subdendrítica y su amplificación no lineal.

Ha demostrado alcanzar tasas de éxito cercanas a la unidad para el reconocimiento de dígitos escritos a mano, lo que indica la realización del aprendizaje profundo incluso por una sola dendrita o neurona.

Además, la amplificación dendrítica genera prácticamente un número exponencial de cruces de entrada, interacciones de orden superior, con el número de entradas, lo que mejora las tasas de éxito.

Sin embargo, la implementación directa de un gran número de pesos cruzados y su manipulación exhaustiva de forma independiente está más allá del poder computacional existente y anticipado.

Por lo tanto, se debe construir un nuevo tipo de hardware dendrítico adaptativo no lineal para imitar el aprendizaje dendrítico y estimar la capacidad computacional del cerebro.

Recomendado:  LOOCV para evaluar los algoritmos de aprendizaje automático