La AI imita cálculos de la corteza cerebral con enfoque de 'ganador se lleva todo'

25 de octubre de 2024 característica

Este artículo ha sido revisado de acuerdo con el proceso editorial y políticas de Science X. Los editores han destacado los siguientes atributos mientras aseguran la credibilidad del contenido:

verificado por hechos

preimpreso

fuente confiable

corregido por

Ingrid Fadelli, Tech Xplore

En 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 han logrado resultados notables, a menudo no reproducen con precisión las computaciones realizadas por el cerebro humano.

Investigadores de Tibbling Technologies, Broad Institute en la Facultad de Medicina de Harvard, la Universidad Nacional de Australia y otros institutos recientemente intentaron utilizar inteligencia artificial para imitar un tipo específico de computación realizada por circuitos en la neocorteza, conocida como computaciones 'winner-take-all'.

Su artículo, publicado en el servidor de preprints bioRxiv, informa sobre la exitosa emulación de esta computación y muestra que agregarla a modelos basados en transformadores podría mejorar significativamente su rendimiento en tareas de clasificación de imágenes.

'Nuestro artículo reciente fue inspirado por las increíbles capacidades computacionales del cerebro de mamíferos, particularmente la neocorteza,' dijo Asim Iqbal, primer autor del artículo, a Tech Xplore.

'Nuestro objetivo principal fue inspirarnos en cómo el cerebro procesa la información y aplicar esos principios para mejorar los sistemas de inteligencia artificial. Específicamente, nos enfocamos en una computación llamada 'winner-take-all' que parece ser una operación fundamental en los circuitos corticales.'

'Winner-take-all' es un mecanismo biológico que ocurre cuando uno o unos pocos neuronas dentro de un conjunto (es decir, el/los que tienen el mayor nivel de activación) influyen en el resultado de una computación. Las neuronas más activas suprimen básicamente la actividad de otras neuronas, convirtiéndose en las únicas células que contribuyen a una decisión o computación específica.

Iqbal y sus colegas intentaron imitar realistamente esta computación biológica utilizando hardware neuromórfico y luego utilizarla para mejorar el rendimiento de modelos de aprendizaje automático bien establecidos. Para hacer esto, utilizaron el chip de hardware neuromórfico TrueNorth de IBM, que está diseñado especialmente 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 neuronas excitatorias y cuatro tipos principales de neuronas inhibitorias,' explicó Iqbal.

'El modelo incorpora propiedades medidas experimentalmente de estas neuronas y sus conexiones en la corteza visual. Su característica clave es la capacidad para implementar computaciones de 'winner-take-all' suaves, donde las entradas más fuertes se amplifican mientras que las más débiles se suprimen.'

Al realizar estas computaciones inspiradas en el cerebro, el enfoque del equipo puede mejorar señales importantes, al tiempo que filtra el ruido. La principal ventaja de su sistema NeuroAI es que introduce un enfoque nuevo, biológicamente fundamentado y a la vez computacionalmente eficiente para procesar información visual, lo que podría ayudar a mejorar el rendimiento de los modelos de inteligencia artificial.

'Uno de nuestros logros más emocionantes fue la implementación exitosa de nuestras computaciones inspiradas en el cerebro en el chip neuromórfico TrueNorth de IBM,' dijo Iqbal.

'Esto demuestra que podemos traducir principios de la neurociencia a hardware real. También nos entusiasmó ver mejoras significativas en el rendimiento de los Transformers de Visión y otros modelos de aprendizaje profundo cuando incorporamos nuestro procesamiento inspirado en el 'winner-take-all'. Por ejemplo, los modelos mejoraron mucho en la generalización a nuevos tipos de datos en los que no habían sido entrenados, un desafío clave en la inteligencia artificial.'

Iqbal y sus colegas combinaron las computaciones suaves de 'winner-take-all' realizadas utilizando su enfoque con un modelo basado en transformadores de visión. Descubrieron que su enfoque mejoró significativamente el rendimiento del modelo en una tarea de clasificación digital para datos completamente 'no vistos' a través del aprendizaje de cero disparos.

En el futuro, su enfoque informático inspirado en el cerebro podría aplicarse a otros sistemas de inteligencia artificial para una amplia gama de aplicaciones, incluyendo visión por computadora, análisis de imágenes médicas y vehículos autónomos. Mientras tanto, los investigadores planean investigar cómo los mismos principios inspirados en el cerebro subyacentes a 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 mediante nuestro enfoque,' agregó Iqbal.

'También planeamos investigar cómo podemos incorporar mecanismos de aprendizaje inspirados en el cerebro, lo que podría llevar a sistemas de IA que puedan aprender y adaptarse de manera más eficiente. Además, estamos ansiosos por probar nuestro enfoque en otras plataformas de hardware neuromórfico emergentes para seguir cerrando la brecha entre la neurociencia y la IA.'

Más información: Asim Iqbal et al, Biologically Realistic Computational Primitives of Neocortex Implemented on Neuromorphic Hardware Improve Vision Transformer Performance, bioRxiv (2024). DOI: 10.1101/2024.10.06.616839

© 2024 Science X Network