Una red neuronal se autoorganiza para aprender a reconocer imágenes

Las redes neuronales artificiales suelen aprender porque alguien define de antemano cómo deben ajustar sus conexiones cuando se equivocan. Un equipo del Instituto Tecnológico de Massachusetts (MIT) exploró otra posibilidad: partir de una red conectada al azar y dejar que reglas locales sencillas la ordenen gradualmente. El resultado fue una red capaz de aprender a reconocer patrones y clasificar imágenes sin que un diseñador hubiera fijado su arquitectura de aprendizaje paso a paso.

La pregunta no era solo si el programa podía resolver una tarea. Las redes que hoy impulsan muchas aplicaciones de inteligencia artificial pueden ser muy eficaces, pero sus métodos de entrenamiento no necesariamente se parecen a los procesos que permiten aprender a un cerebro. Para quienes estudian el sistema nervioso, una simulación útil debe servir también para poner a prueba ideas sobre cómo se forman circuitos capaces de aprender.

En el modelo, las unidades de la red empezaban conectadas de manera aleatoria. Todas seguían las mismas reglas para modificar la fuerza de sus vínculos según su actividad y la de sus vecinas. Una de esas intuiciones, presente en la neurociencia, es que dos neuronas que se activan juntas tienden a reforzar su conexión. A medida que la red recibía ejemplos, aparecieron pequeñas configuraciones de conexiones que luego se combinaron en circuitos más grandes.

Los autores llamaron a estas configuraciones motivos autoensamblados. Según el estudio, la red construida con ellos alcanzó un rendimiento similar al de redes entrenadas mediante métodos convencionales en las tareas de clasificación evaluadas. El trabajo describe además cómo esas reglas locales pueden aproximar una estrategia de optimización que ajusta de forma progresiva las conexiones para reducir errores, un principio muy usado en aprendizaje automático.

El alcance del hallazgo es más modesto que crear una inteligencia artificial que aprenda como una persona. Los propios investigadores advierten que una red que se autoorganiza no prueba que el cerebro use exactamente las mismas reglas. El cerebro reúne muchos tipos de células, señales químicas y cambios que dependen del desarrollo y del contexto; el modelo es una simplificación deliberada de esa complejidad.

Su valor está en ofrecer una forma de separar dos preguntas que a menudo se confunden: que una red cumpla bien una tarea y que además ayude a explicar cómo podría surgir su capacidad de aprender. Si futuras observaciones del cerebro encontraran mecanismos compatibles con estos modelos, podrían volverlos herramientas más informativas para estudiar el aprendizaje biológico. Por ahora, el estudio propone que la autoorganización sea un criterio adicional para evaluar qué pueden enseñar las redes artificiales sobre los circuitos naturales.