Modelos y plataformas de IA
Investigadores Proponen un Nuevo Enfoque con “Algoritmos Evolutivos”
Añade Unite.AI a tus fuentes preferidas en Google
Mientras que nuestros ordenadores actuales suelen realizar acciones preprogramadas, esto se opone a nuestros cerebros, que son altamente adaptables. Nuestra adaptabilidad depende en gran medida de la plasticidad sináptica, con sinapsis siendo los puntos de conexión entre las neuronas. Los neurocientíficos están profundamente intrigados por la plasticidad sináptica, ya que es clave para los procesos de aprendizaje y memoria.
Los investigadores en neurociencia y inteligencia artificial (IA) desarrollan modelos para los mecanismos de estos procesos subyacentes para comprender mejor el cerebro. Estos modelos nos ayudan a obtener información sobre el procesamiento de la información biológica y son clave para ayudar a las máquinas a aprender más rápido.
“Algoritmos Evolutivos”
Los investigadores del Instituto de Fisiología de la Universidad de Berna han desarrollado un nuevo enfoque basado en “algoritmos evolutivos”, y estos programas informáticos buscan soluciones imitando el proceso de la evolución biológica.
El equipo de investigación fue liderado por el Dr. Mihai Petrovici del Instituto de Fisiología de la Universidad de Berna y el Instituto Kirchhoff de Física de la Universidad de Heidelberg.
El estudio se publicó en la revista eLife.
Todo esto significa que la aptitud biológica, que es el grado en que un organismo se adapta a su entorno, puede ser un modelo para los algoritmos evolutivos. Con estos algoritmos, la “aptitud” de una solución candidata depende de lo bien que pueda resolver el problema subyacente.
Tres Escenarios de Aprendizaje
El nuevo enfoque se llama “evolucionar para aprender” o “volverse adaptable”. El equipo se centró en tres escenarios de aprendizaje típicos, el primero de los cuales involucraba a un ordenador que debía detectar un patrón repetitivo en una corriente continua de entrada sin recibir retroalimentación sobre su rendimiento.
El segundo escenario involucraba al ordenador recibiendo recompensas virtuales cuando realizaba un comportamiento deseado.
El tercer escenario involucraba “aprendizaje guiado” donde al ordenador se le indicaba exactamente cuánto se desviaba su comportamiento del deseado.
El Dr. Jakob Jordan es el autor correspondiente y co-primer autor del Instituto de Fisiología de la Universidad de Berna.
“En todos estos escenarios, los algoritmos evolutivos fueron capaces de descubrir mecanismos de plasticidad sináptica y, por lo tanto, resolvieron con éxito una nueva tarea”, dijo el Dr. Jordan.
Los algoritmos demostraron una fuerte creatividad.
El Dr. Maximilian Schmidt es co-primer autor del estudio.
“Por ejemplo, el algoritmo encontró un nuevo modelo de plasticidad en el que las señales que definimos se combinan para formar una nueva señal. De hecho, observamos que las redes que utilizan esta nueva señal aprenden más rápido que con las reglas conocidas anteriormente”, dijo el Dr. Schmidt.
“Vemos E2L como un enfoque prometedor para obtener conocimientos profundos sobre los principios de aprendizaje biológico y acelerar el progreso hacia máquinas de aprendizaje artificial poderosas”, dijo Petrovoci.
“Esperamos que acelere la investigación sobre la plasticidad sináptica en el sistema nervioso”, comentó el Dr. Jordan.
El equipo dice que los nuevos hallazgos proporcionarán una comprensión más profunda de cómo funcionan los cerebros sanos y enfermos, y podrían ayudar en el desarrollo de máquinas inteligentes que puedan adaptarse a los usuarios.
