A inteligência artificial já vem sendo empregada na área da saúde. Mas agora, pesquisadores utilizaram a IA para decifrar como o cérebro, e em especial a memória, funcionam. Os resultados foram divulgados em estudo publicado na revista Nature Neuroscience.
Leia mais
- IA imita cérebro humano com neurônios multissensoriais; saiba mais
- Essa IA é capaz de mudar seu próprio “cérebro” para ficar mais inteligente
- Entrevista exclusiva: como a inteligência artificial afeta nosso cérebro?
Entendo como funciona a memória
- O neurocientista computacional Friedemann Zenke liderou uma equipe de cientistas para investigar como grupos específicos de neurônios ajustam suas conexões em resposta a estímulos externos.
- O trabalho pode ajudar neurocientistas a entender como os neurônios sensoriais, que carregam informações sobre mudanças no ambiente, dão sentido ao mundo externo.
- Zenke e seus colegas usam ferramentas matemáticas e teorias para estudar como as redes de neurônios no cérebro trabalham juntas para aprender e armazenar memórias.
- Ao desenvolver abordagens para lidar com a complexidade do cérebro humano, a equipe criou modelos baseados em IA de redes de neurônios que podem nos dizer coisas úteis sobre o órgão real.
- As informações são da Medical Xpress.
O papel dos neurônios
Zenke estuda há anos como os neurônios individuais contribuem para a formação de memórias, um processo que desempenha um papel vital no aprendizado, na resolução de problemas e na identidade pessoal. Quando vemos alguém pela primeira vez, por exemplo, o cérebro ativa grupos específicos de neurônios, resultando em um padrão único de atividade neuronal que ajuda a criar uma memória.
Mas a única informação que um neurônio individual tem sobre o mundo externo é na forma de picos elétricos que ele recebe de – e depois transmite para – outros neurônios.
Os pesquisadores abordaram essa questão usando diversas abordagens da matemática, ciência da computação e física. As memórias são feitas por mudanças em grupos de neurônios e as conexões, ou sinapses, entre eles. Assim, os cientistas simulam esses grupos de neurônios, ou redes neurais, no computador. Em seguida, usam abordagens da física para obter uma compreensão teórica do que está acontecendo nas redes.
Mas no cérebro, centenas ou milhares de neurônios interagem para formar memórias, e às vezes abordagens puramente analíticas não são suficientes para entender como essas células computam informações. É quando os pesquisadores recorrem a métodos de aprendizado de máquina para gerar simulações em larga escala. Uma dessas tecnologias é o deep learning, que tem sido usado em muitos avanços recentes da inteligência artificial, incluindo a direção autônoma.
O deep learning é baseado em redes neurais que imitam o processamento de informações do cérebro humano, permitindo que ele “aprenda” com grandes quantidades de dados.
À medida que o algoritmo “alimenta” dados para a rede neural, as conexões dentro da rede mudam, levando a um modelo mais complexo. Esses modelos de redes neurais permitem que neurocientistas computacionais explorem questões sobre como o cérebro funciona, semelhante ao que os biólogos fazem com animais vivos.
IA foi utilizada pelos pesquisadores
Se os pesquisadores puderem projetar modelos de redes neurais que tenham um desempenho semelhante ao do cérebro, isso pode oferecer uma explicação para como o órgão real computa informações e armazena memórias.
Nos últimos anos, a equipe desenvolveu descrições matemáticas de como as sinapses mudam através da experiência. Os pesquisadores treinaram uma rede neural de pico, que imita os picos elétricos que os neurônios usam para se comunicar uns com os outros, e descobriram que essa rede tem algumas semelhanças notáveis com o funcionamento de cérebros reais.
Em seu estudo mais recente, Zenke e seus colegas perguntaram como as redes sensoriais representam o mundo externo na atividade neuronal. As redes sensoriais no cérebro normalmente atualizam suas conexões em resposta a estímulos externos, mas as redes neurais artificiais não, a menos que dados específicos sejam alimentados nos algoritmos para prever resultados. Os pesquisadores encontraram uma solução simples para esse problema, ajustando algumas das regras de aprendizagem que ajudam a rede artificial a aprender com as condições existentes.
As regras de aprendizagem anteriores eram derivadas de dados experimentais, mas faltava um aspecto fundamental: a previsão. Assim, a equipe de Zenke desenvolveu regras de aprendizagem que tentam prever futuras entradas sensoriais para cada neurônio. As descobertas podem ajudar os neurocientistas a entender muitos resultados experimentais obtidos em modelos animais.
Tags: