Rețele neuronale descoperă impactul antrenamentului asupra învățării în creierele vii
Un nou studiu a utilizat un tip de învățare automată numit rețea neuronală pentru a revela modul în care diferite tipuri de antrenament pot schimba modul în care se desfășoară învățarea, atât în mașini, cât și în creierele vii.
Aceste modele complexe pot fi utilizate pentru a face predicții specifice despre funcțiile regiunilor cerebrale de interes. La un nivel abstract, este o analogie destul de bună pentru modul în care credem că funcționează creierul.
Pe măsură ce rețelele neuronale învață, acestea adoptă modele de activitate care sunt remarcabil de asemănătoare cu modelele de activitate ale neuronilor dintr-o parte a creierului importantă pentru învățare, au constatat cercetătorii.
Mai mult, tipul de antrenament influențează atât modelul de activitate, cât și capacitatea de a rezolva o sarcină, în moduri similare între rețelele neuronale și creierele vii. Atât modelele computaționale, cât și cele vii, începând prin a învăța o sarcină mai simplă, se pregătesc să exceleze în sarcini complexe. Pe de altă parte, experiențele de învățare prost structurate pot conduce la erori specifice, previzibile, atunci când lucrurile devin mai complicate.
Rezultatele sunt publicate în Nature Neuroscience.
Jim Heys compară procesul de trecere de la sarcini simple la sarcini complexe cu învățarea matematicii.
„Toată lumea știe că atunci când încerci să înveți calculul, mai întâi înveți ordinea operațiilor, apoi înveți algebra și trigonometria, construind aceste concepte sistematic,” afirmă Heys. „Dar de ce este așa?”
Cercetătorii au antrenat rețelele neuronale pe o sarcină relativ complexă, răspunzând într-un mod specific doar după ce au fost prezentate două stimulente de durate diferite (un „go trial”) și neavând nicio reacție când cele două stimulente aveau aceeași lungime („no go”). Aceasta este echivalentul virtual al unei sarcini complexe de învățare pe care echipa a dezvoltat-o anterior pentru a studia învățarea într-un model cu șoareci, unde șoarecii sunt recompensați pentru răspunsul la tipare temporizate de mirosuri.
Pentru un șoarece, învățarea de a răspunde doar la tiparele corecte este o sarcină complexă care necesită mai multe etape de antrenament, construind de la simplu la complex. Același lucru este valabil și pentru o rețea neuronală, au constatat cercetătorii. Antrenarea unei sarcini mai simple mai întâi, oferind rețelei doar „go trials”, a făcut ca rețeaua să răspundă mai precis odată ce a progresat la sarcina complexă completă cu atât „go” cât și „no go” trials.
În contrast, atunci când cercetătorii au antrenat rețelele pe sarcina complexă fără a oferi una mai simplă mai întâi – practic, sări direct la calcul fără a învăța algebra – rețelele au tendința de a face erori previzibile repetate.
Ele răspundeau adesea prea devreme la „go trials”, acționând înainte de prima stimulare lungă. Este important de menționat că aceasta este exact aceeași eroare pe care animalele vii o fac atunci când sunt antrenate incorect, ceea ce arată că rețelele pot fi folosite pentru a prezice cum învață creierele reale.
Cercetătorii au măsurat apoi activitatea neuronală la nivel de neuron în creierele de șoarece în timp ce răspundeau la teste, concentrându-se pe o regiune specifică a creierului cunoscută ca fiind implicată în învățarea sarcinilor. Modelele de activitate neuronală observate erau foarte asemănătoare, la o scară mare, cu modelele de activitate pe care rețelele neuronale le adoptaseră în timpul testelor.
Rețelele neuronale antrenate corespunzător, la fel ca șoarecii antrenați corespunzător, au trecut printr-un model ciclic de activitate pe parcursul unui singur test, terminând testul în aproximativ aceeași stare în care au început. În timpul „go trials”, atât rețelele neuronale, cât și șoarecii au adoptat un model diferit de activitate: deși au continuat să se miște printr-o ciclicitate, activitatea devia de la calea obișnuită în perioada de timp în care șoarecele sau rețeaua trebuiau să răspundă testului.
Asemănările în activitate și comportament între rețelele neuronale și creierele reale sugerează că rețelele pot fi deosebit de utile ca prim pas în înțelegerea învățării umane, afirmă Bowler. Descoperirile cu modelele computaționale ajută la generarea de întrebări utile și țintite despre modul în care gândim, care pot fi apoi testate cu modele animale, ajutând oamenii de știință să obțină informații vitale utilizând cel mai mic număr de animale de cercetare.
„Prin modelare, am putut avansa mult mai repede spre ipoteze utile și reduce numărul de animale necesare pentru teste,” afirmă Bowler. „Ne ajută să lucrăm cu animalele mai respectuos.”
Aceste descoperiri ar putea, în cele din urmă, să ghideze dezvoltarea unor antrenamente mai bune care să ajute oamenii să își îmbunătățească învățarea, spun cercetătorii. Prin relevarea modului în care creierul învață atunci când este sănătos, echipa speră că munca lor ar putea fi utilă și pentru înțelegerea a ceea ce merge prost în bolile care afectează gândirea complexă.
„Învățăm principii fundamentale despre cum funcționează creierul,” afirmă Heys. „Astfel, atunci când acesta se defectează, cum ar fi în bolile precum Alzheimer, care afectează mai întâi funcțiile cognitive complexe de nivel înalt, putem înțelege cum să le reparăm.”
Această cercetare este publicată în Nature Neuroscience sub titlul „Experiența structurată modelează învățarea strategică și dinamica neuronală în cortexul entorhinal medial.”
