Crédito: Pixabay/CC0 Dominio público
× cerrar
Crédito: Pixabay/CC0 Dominio público
Los avances recientes en IA generativa ayudan a explicar cómo los recuerdos nos permiten aprender sobre el mundo, revivir viejas experiencias y construir experiencias completamente nuevas para la imaginación y la planificación, según un nuevo estudio realizado por investigadores de la UCL.
El estudio, publicado en Naturaleza Comportamiento Humanoutiliza un modelo computacional de IA, conocido como red neuronal generativa, para simular cómo las redes neuronales del cerebro aprenden y recuerdan una serie de eventos (cada uno representado por una escena simple).
El modelo se basó en redes que representan el hipocampo y la neocorteza para investigar cómo interactúan. Se sabe que ambas partes del cerebro trabajan juntas durante la memoria, la imaginación y la planificación.
La autora principal, la estudiante de doctorado Eleanor Spens (Instituto de Neurociencia Cognitiva de la UCL), dijo: «Los avances recientes en las redes generativas utilizadas en la IA muestran cómo se puede extraer información de la experiencia para que podamos recordar una experiencia específica y también imaginar con flexibilidad». cómo serían las nuevas experiencias. Pensamos en recordar cómo imaginar el pasado a partir de conceptos, combinando algunos detalles almacenados con nuestras expectativas sobre lo que pudo haber sucedido.»
Los humanos necesitan hacer predicciones para sobrevivir (por ejemplo, para evitar peligros o encontrar comida), y las redes de inteligencia artificial sugieren cómo, cuando reproducimos recuerdos mientras descansamos, ayuda a nuestro cerebro a captar patrones de experiencias pasadas que pueden usarse para tomar decisiones. estos recuerdos. predicciones
Los investigadores reprodujeron 10.000 imágenes de escenas sencillas en el modelo. La red del hipocampo codificó rápidamente cada escena a medida que se experimentaba. Luego repitió las escenas una y otra vez para entrenar la red neuronal generativa en la neocorteza.
La red neocortical ha aprendido a pasar la actividad de las miles de neuronas de entrada (neuronas que reciben información visual) que representan cada escena a través de capas intermedias más pequeñas de neuronas (la más pequeña contiene sólo 20 neuronas), para recrear las escenas como patrones de actividad en sus miles. de neuronas de salida (neuronas que predicen información visual).
Esto provocó que la red neocortical aprendiera representaciones «conceptuales» altamente eficientes de escenas que capturan su significado (por ejemplo, la disposición de paredes y objetos), permitiendo tanto la recreación de escenas antiguas como la generación de escenas completamente nuevas.
En consecuencia, el hipocampo pudo codificar el significado de las nuevas escenas que se le presentaban, en lugar de tener que codificar cada detalle, lo que le permitió concentrar recursos en codificar características únicas que el neocórtex no podía reproducir, como nuevos tipos de objetos.
El modelo explica cómo el neocórtex adquiere lentamente conocimientos conceptuales y cómo, junto con el hipocampo, nos permite “reexperimentar” eventos, reconstruyéndolos en nuestra mente.
El modelo también explica cómo se pueden generar nuevos eventos durante la imaginación y la planificación para el futuro, y por qué los recuerdos existentes a menudo contienen distorsiones «esenciales», en las que las características únicas se generalizan y recuerdan como más similares a las características de eventos anteriores.
El autor principal, el profesor Neil Burgess (Instituto de Neurociencia Cognitiva de la UCL y Instituto de Neurología Queen Square de la UCL), explicó: «La forma en que se reconstruyen los recuerdos, en lugar de ser registros verídicos del pasado, nos muestra cómo se transforma el significado o la esencia de una experiencia. recombinados con detalles únicos, y cómo esto puede resultar en sesgos en la forma en que recordamos las cosas».
Mas informaciones:
Un modelo generativo de construcción y consolidación de la memoria. Naturaleza Comportamiento Humano (2024). DOI: 10.1038/s41562-023-01799-z
