Modelos y plataformas de IA
Investigadores Proponen un Nuevo Enfoque con âAlgoritmos Evolutivosâ
AÃąade 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 sinÃĄptica, con sinapsis siendo los puntos de conexiÃģn entre las neuronas. Los neurocientÃficos estÃĄn profundamente intrigados por la plasticidad sinÃĄptica, 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 informaciÃģn sobre el procesamiento de la informaciÃģn biolÃģgica y son clave para ayudar a las mÃĄquinas a aprender mÃĄs rÃĄpido.
âAlgoritmos Evolutivosâ
Los investigadores del Instituto de FisiologÃa de la Universidad de Berna han desarrollado un nuevo enfoque basado en âalgoritmos evolutivosâ, y estos programas informÃĄticos buscan soluciones imitando el proceso de la evoluciÃģn biolÃģgica.
El equipo de investigaciÃģn fue liderado por el Dr. Mihai Petrovici del Instituto de FisiologÃa de la Universidad de Berna y el Instituto Kirchhoff de FÃsica de la Universidad de Heidelberg.
El estudio se publicÃģ en la revista eLife.
Todo esto significa que la aptitud biolÃģgica, 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 âaptitudâ de una soluciÃģn candidata depende de lo bien que pueda resolver el problema subyacente.
Tres Escenarios de Aprendizaje
El nuevo enfoque se llama âevolucionar para aprenderâ o âvolverse adaptableâ. El equipo se centrÃģ en tres escenarios de aprendizaje tÃpicos, el primero de los cuales involucraba a un ordenador que debÃa detectar un patrÃģn repetitivo en una corriente continua de entrada sin recibir retroalimentaciÃģn sobre su rendimiento.
El segundo escenario involucraba al ordenador recibiendo recompensas virtuales cuando realizaba un comportamiento deseado.
El tercer escenario involucraba âaprendizaje guiadoâ donde al ordenador se le indicaba exactamente cuÃĄnto se desviaba su comportamiento del deseado.
El Dr. Jakob Jordan es el autor correspondiente y co-primer autor del Instituto de FisiologÃa de la Universidad de Berna.
âEn todos estos escenarios, los algoritmos evolutivos fueron capaces de descubrir mecanismos de plasticidad sinÃĄptica y, por lo tanto, resolvieron con ÃĐxito una nueva tareaâ, dijo el Dr. Jordan.
Los algoritmos demostraron una fuerte creatividad.
El Dr. Maximilian Schmidt es co-primer autor del estudio.
âPor ejemplo, el algoritmo encontrÃģ un nuevo modelo de plasticidad en el que las seÃąales que definimos se combinan para formar una nueva seÃąal. De hecho, observamos que las redes que utilizan esta nueva seÃąal aprenden mÃĄs rÃĄpido que con las reglas conocidas anteriormenteâ, dijo el Dr. Schmidt.
âVemos E2L como un enfoque prometedor para obtener conocimientos profundos sobre los principios de aprendizaje biolÃģgico y acelerar el progreso hacia mÃĄquinas de aprendizaje artificial poderosasâ, dijo Petrovoci.
âEsperamos que acelere la investigaciÃģn sobre la plasticidad sinÃĄptica en el sistema nerviosoâ, comentÃģ el Dr. Jordan.
El equipo dice que los nuevos hallazgos proporcionarÃĄn una comprensiÃģn mÃĄs profunda de cÃģmo funcionan los cerebros sanos y enfermos, y podrÃan ayudar en el desarrollo de mÃĄquinas inteligentes que puedan adaptarse a los usuarios.
