Una de las características más curiosas de las redes neuronales profundas que están detrás del aprendizaje automático es que son muy diferentes a las redes neuronales de los sistemas biológicos. Si bien existen algunas similitudes, los mecanismos más importantes del aprendizaje automático no tienen analogía en el mundo natural, donde el aprendizaje ocurre de manera diferente.

Estas diferencias probablemente expliquen por qué los sistemas de aprendizaje automático tardan mucho más que los naturales en hacer algunas cosas. Los insectos, por ejemplo, pueden reconocer los olores después de haber estado expuestos a ellos en varias ocasiones. Las máquinas, en cambio, necesitan enormes conjuntos de datos de capacitación para aprender. Los investigadores de inteligencia artificial esperan que la comprensión de las formas naturales de aprendizaje les ayude a cerrar esta brecha.

Charles Delahunt y sus compañeros en la Universidad de Washington en Seattle han creado una red neuronal artificial que imita la estructura y el comportamiento del sistema de aprendizaje olfativo de las polillas Manduca sexta. Dicen que su sistema proporciona algunas ideas importantes sobre la forma en la que aprenden las redes naturales y que podría tener implicaciones importantes para las máquinas con aprendizaje automático.

El sistema de aprendizaje olfativo en polillas es relativamente simple y ya es conocido por los neurocientíficos. Se compone de cinco redes distintas que transmiten la información de una a otra. La primera red es un sistema de cerca de 30.000 receptores químicos que detectan olores y envían un conjunto de señales al siguiente nivel, conocido como "lóbulo de antena". Este contiene cerca de 60 estructuras, llamadas glomérulos, que registran cada uno un olor diferente.

El lóbulo de antena envía códigos neuronales del olor al cuerpo de champiñón, que cuenta con aproximadamente 4.000 células de Kenyon y se cree que puede codificar los olores como recuerdos. Finalmente, el resultado es leído por una capa de neuronas, que interpretan las señales del cuerpo de champiñón como acciones, como "volar contra el viento".

Varios aspectos de este sistema son completamente diferentes a los que se encuentran en las redes de aprendizaje automático. Por ejemplo, el lóbulo de antena codifica información en un espacio de parámetros de baja dimensión, pero lo envía al cuerpo de champiñón, que lo codifica en un espacio de parámetros de alta dimensión. Por el contrario, las capas en las redes neuronales artificiales tienden a tener dimensiones similares entre ellas.

En las polillas, el reconocimiento exitoso de un olor desencadena un mecanismo de recompensa en el que las neuronas rocían un neurotransmisor químico, llamado octopamina, en el lóbulo de antena y el cuerpo de champiñón. Esta es una parte crucial del proceso de aprendizaje. La octopamina ayuda aparentemente a reforzar el cableado neuronal que conduce al éxito. Es una parte clave del aprendizaje 'hebbiano', en el que "las células que se encienden juntas se unen". De hecho, los neurocientíficos saben desde hace tiempo que las polillas no aprenden sin la octopamina, pero el papel exacto que desempeña aún no se entiende bien.

El aprendizaje en las máquinas es muy diferente. Se basa en un proceso llamado retropropagación, la modificación de las conexiones neuronales con el objetivo de mejorar los resultados. En este proceso, la información viaja hacia atrás a través de la red, algo que no se conoce en la naturaleza.

Para comprender mejor la forma en la que las polillas aprenden, Delahunt y sus compañeros crearon una red neuronal artificial que imita su comportamiento. "Construimos un modelo computacional de extremo a extremo del sistema olfatorio de la polilla Manduca sexta, que incluye la interacción del lóbulo de antena y el cuerpo champiñón bajo la estimulación con octopamina", dicen Delahunt y compañía.

El modelo está específicamente diseñado para reproducir el comportamiento del sistema natural de la polilla a todos los niveles. En particular, el modelo simula las señales generadas por los receptores de olor y el cambio de dimensión a medida que la información fluye desde el lóbulo de antena hasta el cuerpo de champiñón, e incluye un análogo del papel desempeñado por la octopamina.

Los resultados tienen una lectura interesante. El modelo muestra cómo los receptores de olor producen una señal pre amplificada por el lóbulo de antena. Sin embargo, el cambio en la dimensión, a medida que la señal viaja hasta el cuerpo de champiñón, tiene el efecto de eliminar el ruido que rodea a la señal y generar otras señales de acción específicas e inequívocas como la de "volar contra el viento".

El papel de la octopamina parece haberse aclarado también. Las simulaciones muestran que el aprendizaje puede ocurrir sin octopamina, pero es tan lento que resulta inútil. Esto supondría que la octopamina actúa como un poderoso acelerador del aprendizaje.

Como esta afirmación no es segura, Delahunt y su equipo han sacado sus propias conclusiones. "Tal vez es un mecanismo que permite a la polilla trabajar a pesar de las restricciones orgánicas del crecimiento 'hebbiano' de nuevas sinapsis, restricciones que de otro modo limitarían la tasa de aprendizaje de la polilla y la harían inaceptablemente lenta", sugiere la investigación de Delahunt.

La octopamina también tiene otro papel. El aprendizaje 'hebbiano' solo refuerza las conexiones que ya existen, y esto plantea la pregunta de cómo se produce una nueva conexión. Delahunt y compañía afirman que la octopamina es capaz de abrir nuevos canales de transmisión para crear una conexión. "Esto amplía el espacio que el sistema puede explorar durante el aprendizaje", señala Delahunt et al.

Lo más impresionante es que la red simulada aprende de forma similar a la red natural. "Nuestro modelo es capaz de aprender de forma robusta nuevos olores y nuestras simulaciones de neuronas coinciden con las características de los datos estadísticos que teníamos del sistema natural", afirma la investigación.

Este trabajo podría tener implicaciones significativas para el diseño de redes neuronales que necesitan aprender rápidamente. "Desde una perspectiva de aprendizaje automático, el modelo produce mecanismos inspirados en sistemas biológicos que son potencialmente útiles en la construcción de redes neuronales para el aprendizaje rápido de muy pocas muestras", dice el equipo de Delahunt.

De modo que, en el futuro, las redes de aprendizaje automático podrán contener versiones simuladas de octopamina y otros neurotransmisores.

Por supuesto, no solo se necesita aprender que los neurotransmisores son importantes. Los neurocientíficos son muy conscientes del papel que desempeñan en las emociones, la regulación del estado de ánimo, etcétera. Aquí es donde radica otra vía de investigación que los equipos de aprendizaje automático estarán interesados ​​en explorar.

Ref: arxiv.org/abs/1802.02678: Biological Mechanisms for Learning: A Computational Model of Olfactory Learning in the Manduca sexta Moth, with Applications to Neural Nets.