Me refiero al lado de la neurociencia computacional de la investigación de redes neuronales que se enfoca en la precisión biológica. He leído referencias para mejorar el realismo biológico (usando, por ejemplo, neuronas de punta o neuronas vinculantes de varios tipos) mediante la emulación de propiedades conocidas de neuronas reales (potenciales de acción y demás). Sin embargo, no he podido encontrar ningún detalle sobre cómo se mide empíricamente la efectividad de tales intentos.
Por ejemplo, las redes neuronales cultivadas (como un neurochip ) podrían usarse como punto de referencia: crear una ANN y una BNN con el mismo número y disposición de neuronas, darles las mismas entradas y comparar los resultados... Tiene algo como eso se ha intentado? ¿Cómo se mide normalmente la precisión biológica de las RNA?
Una forma de evaluar la plausibilidad biológica de una red neuronal artificial es observar cuánto se abstrae una red neuronal del comportamiento de las neuronas reales.
Por ejemplo, es común en psicología y aprendizaje automático usar una función de activación sigmoidal para determinar la salida de un nodo. Si la plausibilidad biológica es una preocupación, se podría preferir utilizar el modelo de Hodgkin-Huxley . (Ver también: otros modelos neuronales ).
Para muchos profesionales, la plausibilidad biológica no es una preocupación principal. En la mayoría de las ANN, no se cree realmente que cada nodo sea implementado por una sola neurona en el cerebro y, por lo tanto, el uso de una función de activación más realista no necesariamente hace que la red sea biológicamente más realista.
Personalmente, no creo que mirar la precisión del comportamiento de una red neuronal biológica (en comparación con una red neuronal artificial) diga nada sobre la plausibilidad biológica de la red. El uso de más abstracciones podría producir un comportamiento más similar debido a un menor sobreajuste. Otra preocupación es que la ANN podría producir el mismo comportamiento que una BNN incluso si los cálculos reales involucrados son bastante diferentes.
Debido a mi novedad en el campo, solo puedo hablar de comparaciones de plausibilidad biológica cuando hablo del marco de ingeniería neuronal (NEF) y el modelado funcional. Lo que falta en esta respuesta es una perspectiva de modelado puramente ascendente en la misma línea que el proyecto Blue-Brain , pero se lo dejaré a otro usuario.
Una de las afirmaciones que impulsan el impulso hacia los modeladores cognitivos que utilizan NEF es el hecho de que es más plausible biológicamente que las ANN de respaldo. Lo que generalmente se discute es que el mecanismo neuronal para codificar, decodificar y aprender de NEF tiene más evidencia científica que afirma su plausibilidad que las ANN de respaldo .
Desde una perspectiva biológicamente plausible más sistemática, el NEF también se usa para construir redes neuronales que usan la arquitectura de puntero semántico, que también se afirma que es más plausible biológicamente por varias razones. En primer lugar, el número de neuronas requeridas para la mayoría de los modelos es significativamente menor que otros modelos propuestos ( ver el trabajo de Eric Crawford sobre representación del conocimiento ). En segundo lugar, se puede demostrar que las modificaciones a la red que imitan los efectos de los trastornos neurológicos tienen el mismo efecto de esos trastornos ( ver el trabajo de Dan Rasmussen sobre inteligencia general ).
En términos de la perspectiva de abajo hacia arriba, la NEF también podría ayudar aquí. El NEF es independiente del modelo de neuronas, por lo que se puede usar con cualquiera de los modelos de neuronas que mencionó en la pregunta. Hipotéticamente, podría ser posible crear una red similar a una cultivada en un Neurochip y comparar las diversas entradas y salidas como sugirió, pero nunca he oído hablar de un estudio de este tipo.
Artem Kaznatchev
Tal como
Arnón Weinberg
Tal como
Tal como
Arnón Weinberg
Arnón Weinberg