¿Y si la mejor manera de construir un cerebro artificial es dejarlo evolucionar? Esa es la idea detrás de un nuevo estudio que utiliza algoritmos evolutivos para diseñar redes de depósito (reservoir computing) — un tipo de red neuronal recurrente inspirada en la estructura del cerebro. Los hallazgos, publicados por investigadores de Inria y Bordeaux INP, muestran que las redes evolucionadas pueden superar a las diseñadas aleatoriamente en tareas de aprendizaje temporal, y que las tareas más simples producen redes más simples, mientras que las tareas complejas favorecen estructuras más ricas y modulares.
La Investigación
El depósito (reservoir computing) es un enfoque inteligente para el aprendizaje temporal: un "depósito" fijo y conectado aleatoriamente procesa las señales de entrada, y solo se entrena una capa de lectura simple. Sin embargo, las redes de eco de estado (ESN) tradicionales a menudo necesitan un ajuste cuidadoso de hiperparámetros y arquitectura para funcionar bien. Para superar esto, el equipo liderado por Julien Testu, Pierrick Legrand y Xavier Hinaut desarrolló un marco llamado EARLY (Algoritmo Evolutivo para el Aprendizaje y la Generación de Depósitos). EARLY codifica arquitecturas de red como genomas basados en grafos y aplica operaciones genéticas como cruce y mutación para evolucionar mejores diseños.
Los investigadores probaron EARLY en varias tareas de aprendizaje temporal del conjunto de datos CogScale. Compararon las redes evolucionadas con las encontradas por búsqueda aleatoria. Las redes evolucionadas ganaron en varias tareas, mostrando que la búsqueda evolutiva puede descubrir configuraciones efectivas. Además, las arquitecturas evolucionadas mostraron claras diferencias estructurales según la dificultad de la tarea: las tareas más simples produjeron redes ligeras y menos conectadas, mientras que las tareas más difíciles favorecieron organizaciones más ricas y modulares — similar a cómo se especializan las regiones del cerebro.
Por Qué Importa
Este estudio no solo trata sobre inteligencia artificial; refleja principios de la cognición humana. El hallazgo de que la complejidad de la tarea impulsa la complejidad estructural en las redes hace eco de cómo se adapta nuestro propio cerebro. Para el aprendizaje cotidiano, abordar problemas diversos y desafiantes puede ayudar a construir un conjunto de herramientas cognitivas más flexible y modular. Además, la idea de usar la evolución para optimizar redes neuronales podría conducir a mejores sistemas de IA — y comprender estos sistemas puede darnos información sobre nuestros propios procesos neuronales.
Qué Puedes Hacer
Acepta la complejidad. Así como las redes evolucionadas prosperaron en tareas más difíciles, tu cerebro se beneficia de actividades desafiantes. Intenta aprender un nuevo idioma, tocar un instrumento musical o resolver rompecabezas que pongan a prueba tus límites. La variedad es clave: participa en tareas que requieran diferentes habilidades para animar a tu cerebro a construir circuitos especializados pero interconectados.
Fuente: arXiv q-bio.NC
¿Sientes curiosidad por tu propio cerebro? Realiza nuestro test de CI adaptativo gratuito o prueba 306 niveles de entrenamiento cerebral.