Las redes neuronales profundas utilizadas en el aprendizaje automático son sorprendentemente diferentes de las redes neuronales en los sistemas biológicos. Aunque existen similitudes, algunos mecanismos críticos de aprendizaje automático no tienen un análogo en el mundo natural, donde el aprendizaje parece ocurrir de manera diferente. Estas diferencias probablemente expliquen por qué los sistemas de aprendizaje automático están tan rezagados en comparación con los sistemas naturales en algunos aspectos de rendimiento.
Los insectos, por ejemplo, pueden reconocer olores después de solo unas pocas exposiciones. En cambio, las máquinas necesitan grandes conjuntos de datos de entrenamiento para aprender. Los científicos de la computación esperan que comprender más sobre las formas naturales de aprendizaje les ayude a cerrar la brecha.
Un equipo de investigadores de la Universidad de Washington en Seattle, liderado por Charles Delahunt, ha creado una red neuronal artificial que imita la estructura y el comportamiento del sistema de aprendizaje olfativo en las polillas Manduca sexta. Según ellos, su sistema proporciona información importante sobre la forma en que las redes naturales aprenden, con posibles implicaciones para las máquinas.
El sistema de aprendizaje olfativo en las polillas es relativamente simple y ha sido bien estudiado por los neurocientíficos. Consiste en cinco redes distintas que transmiten información de una a la siguiente. La primera es un sistema de alrededor de 30,000 receptores químicos que detectan olores y envían una serie de señales ruidosas a la siguiente etapa, conocida como lóbulo de la antena. Este contiene alrededor de 60 unidades, llamadas glomérulos, que se enfocan en olores específicos. Luego, el lóbulo de la antena envía códigos neurales de olor al cuerpo de la seta, que contiene alrededor de 4,000 células kenyon y se cree que codifica los olores como recuerdos. Finalmente, el resultado es interpretado por una capa de neuronas externas, que se cuentan en decenas. Estas interpretan las señales del cuerpo de la seta como acciones, como “volar contra el viento”.
Este estudio nos muestra cómo las redes neuronales en la naturaleza pueden aprender de manera más rápida y eficiente que las máquinas. Al comprender mejor los mecanismos de aprendizaje natural, los científicos de la computación pueden aplicar estos conocimientos para mejorar los sistemas de aprendizaje automático y cerrar la brecha entre la inteligencia artificial y la inteligencia biológica.
Fuente del artículo: MIT Technology Review
