La IA imita los cálculos del neocórtex con un enfoque de «el ganador se lo lleva todo»

Durante la última década, los científicos informáticos han desarrollado técnicas computacionales cada vez más avanzadas que pueden abordar tareas del mundo real con una precisión comparable a la humana. Si bien muchos de estos modelos de inteligencia artificial (IA) han logrado resultados notables, a menudo no replican con precisión los cálculos realizados por el cerebro humano.

Investigadores de Tibbling Technologies, el Instituto Broad de la Facultad de Medicina de Harvard, la Universidad Nacional de Australia y otros institutos intentaron recientemente utilizar la IA para imitar un tipo específico de cálculo realizado por circuitos en la neocorteza, conocidos como cálculos de «el ganador se lo lleva todo».

Su papel, publicado en el bioRxiv servidor de preimpresión, informa la emulación exitosa de este cálculo y muestra que agregarlo a modelos basados ​​​​en transformadores podría mejorar significativamente su rendimiento en tareas de clasificación de imágenes.

«Nuestro artículo reciente se inspiró en las increíbles capacidades computacionales del cerebro de los mamíferos, particularmente la neocorteza», dijo a Tech Xplore Asim Iqbal, primer autor del artículo.

«Nuestro objetivo principal era inspirarnos en cómo el cerebro procesa la información y aplicar esos principios para mejorar los sistemas de inteligencia artificial. Específicamente, nos centramos en un cálculo llamado ‘el ganador se lo lleva todo’ que parece ser una operación fundamental en los circuitos corticales. «

«El ganador se lo lleva todo» es un mecanismo biológico que se produce cuando una o varias neuronas dentro de un conjunto (es decir, las que tienen el mayor nivel de activación) influyen en el resultado de un cálculo. Las neuronas más activas esencialmente suprimen la actividad de otras neuronas, convirtiéndose en las únicas células que contribuyen a una decisión o cálculo específico.

Iqbal y sus colegas intentaron imitar de manera realista este cálculo biológico utilizando hardware neuromórfico y luego usarlo para mejorar el rendimiento de modelos de aprendizaje automático bien establecidos. Para ello, utilizaron el chip de hardware neuromórfico TrueNorth de IBM, que está especialmente diseñado para imitar la organización del cerebro.

«Nuestro modelo de red biofísica tiene como objetivo capturar las características clave de los circuitos neocorticales, centrándose en las interacciones entre las neuronas excitadoras y cuatro tipos principales de neuronas inhibidoras», explicó Iqbal.

«El modelo incorpora propiedades medidas experimentalmente de estas neuronas y sus conexiones en la corteza visual. Su característica clave es la capacidad de implementar cálculos de ‘el ganador se lo lleva todo’, donde las entradas más fuertes se amplifican mientras que las más débiles se suprimen».

Al realizar estos cálculos inspirados en el cerebro, el enfoque del equipo puede mejorar señales importantes y al mismo tiempo filtrar el ruido. La ventaja clave de su sistema NeuroAI es que introduce un nuevo enfoque con base biológica pero computacionalmente eficiente para procesar información visual, que podría ayudar a mejorar el rendimiento de los modelos de IA.

«Uno de nuestros logros más interesantes fue la implementación exitosa de nuestros cálculos inspirados en el cerebro en el chip neuromórfico TrueNorth de IBM», dijo Iqbal.

«Esto demuestra que podemos traducir principios de la neurociencia al hardware real. También nos emocionó ver mejoras significativas en el rendimiento de Vision Transformers y otros modelos de aprendizaje profundo cuando incorporamos nuestro procesamiento inspirado en el ganador se lo lleva todo. Por ejemplo, los modelos «Se volvieron mucho mejores generalizando a nuevos tipos de datos en los que no habían sido entrenados, un desafío clave en la IA».

Iqbal y sus colegas combinaron el ganador suave que toma todos los cálculos realizados utilizando su enfoque con un modelo basado en transformador de visión. Descubrieron que su enfoque mejoraba significativamente el rendimiento del modelo en una tarea de clasificación digital para datos completamente «invisibles» mediante el aprendizaje de disparo cero.

En el futuro, su enfoque informático inspirado en el cerebro podría aplicarse a otros sistemas de inteligencia artificial para una amplia gama de aplicaciones, incluida la visión por computadora, el análisis de imágenes médicas y los vehículos autónomos. Mientras tanto, los investigadores planean investigar cómo los mismos principios inspirados en el cerebro que sustentan su enfoque podrían aprovecharse para abordar tareas cognitivas más complejas.

«Estamos particularmente interesados ​​en implementar la memoria de trabajo y los procesos de toma de decisiones utilizando nuestro enfoque», añadió Iqbal.

«También planeamos investigar cómo podemos incorporar mecanismos de aprendizaje inspirados en el cerebro, lo que podría conducir a sistemas de inteligencia artificial que puedan aprender y adaptarse de manera más eficiente. Además, estamos interesados ​​en probar nuestro enfoque en otras plataformas de hardware neuromórfico emergentes para unir aún más la brecha entre la neurociencia y la IA».

© 2024 Red Ciencia X