Associative Emotional Learning in Convolutional Neural Networks

El código de trucos emocionales del cerebro

Imagina que tu cerebro es un detective superinteligente que intenta resolver un misterio cada segundo de tu vida. Uno de sus trabajos más importantes es averiguar qué es bueno para ti (como un abrazo cálido o una rebanada de pizza) y qué es malo (como una abeja zumbando o una cáscara de plátano resbaladiza). Esta capacidad de vincular algo neutral —como un sonido o una forma específica— con un sentimiento de alegría o miedo se llama aprendizaje emocional asociativo. Es la razón por la cual podrías sentirte un poco nervioso al escuchar el taladro de un dentista, incluso antes de ver la silla, porque tu cerebro ha aprendido a conectar ese sonido con una experiencia mala pasada. Los científicos han estado intentando construir modelos informáticos para entender cómo funciona esto, pero los modelos antiguos eran un poco como calculadoras simples: podían hacer las matemáticas, pero no podían realmente "ver" el mundo como lo hace un humano. Les costaba explicar cómo nuestros cerebros manejan imágenes complejas y desordenadas y las convierten en sentimientos.

Entra el Aprendizaje Profundo (Deep Learning), un tipo de inteligencia artificial que utiliza capas de "neuronas" digitales para reconocer patrones, de forma muy similar a la corteza visual de nuestros ojos y cerebro. Estas redes son excelentes detectando gatos en fotos o leyendo caligrafía. Pero, ¿pueden aprender a sentir? ¿Puede una computadora, que no tiene sentimientos reales, aprender a tratar una forma aburrida como "aterradora" solo porque fue emparejada con una imagen de miedo? Esta es la gran pregunta que los investigadores se están planteando. Si podemos enseñar a una computadora a aprender emociones de la misma manera que lo hace un humano, finalmente podríamos entender la mecánica oculta de nuestras propias mentes, ayudándonos a comprender por qué algunas personas se quedan atrapadas en bucles de miedo (como en la ansiedad o el TEPT) y cómo ayudarlas a liberarse.

---

El cerebro digital aprende a sentir

En este estudio, un equipo de investigadores construyó un cerebro informático especial para ver si podía aprender emociones de la misma manera que nosotros. Crearon un modelo llamado Modelo de Valencia Visual. Piensa en este modelo como si tuviera dos partes principales: una "Corteza Visual" que actúa como un par de ojos, y un "Módulo de Emoción" que actúa como el centro de los sentimientos del cerebro (específicamente la amígdala y la corteza orbitofrontal). Para hacerlo aún más realista, añadieron una conexión de "atajo". Esto es como un carril rápido que permite a los ojos enviar un boceto rápido y tosco de una escena al centro de las emociones antes de que los ojos hayan terminado de tomar una foto detallada. Esto imita cómo nuestros cerebros reales a veces reaccionan ante el peligro antes de que comprendamos completamente lo que estamos viendo.

Primero, los investigadores tuvieron que enseñar a este cerebro digital qué aspecto tienen lo "bueno" y lo "malo". Le mostraron miles de imágenes de la vida real del Sistema Internacional de Imágenes Afectivas (IAPS), que son famosas por ser muy placenteras (como un cachorro o un atardecer) o muy desagradables (como una araña o un inodoro sucio). La computadora aprendió a predecir una puntuación de "valencia", un número del 1 (extremadamente desagradable) al 9 (extremadamente placentero), siendo 5 el valor neutral. Después de este entrenamiento, la computadora podía mirar una imagen y decir: "Eso es un 2, es malo", o "¡Eso es un 8, es genial!".

Luego vino el verdadero truco de magia: el Condicionamiento Pavloviano. Quizás conozcas esto por los famosos experimentos con perros donde una campana hacía que un perro salivara. Aquí, los investigadores utilizaron un objeto neutral: un parche de Gabor. Imagina este parche como un círculo rayado y difuso que parece un trozo de estática en un televisor antiguo. Por sí solo, este parche es aburrido y no tiene significado emocional. Los investigadores emparejaron un parche de rayas a 45 grados con una imagen "desagradable" (como una pistola o una araña) y un parche de rayas a 135 grados con una imagen "placentera" (como un retrato familiar o un cachorro). Mostraron estos pares a la computadora una y otra vez.

Los resultados fueron fascinantes. Después de solo unas pocas rondas de ver estos pares, la computadora empezó a cambiar de opinión sobre las rayas aburridas. Al mostrarle el parche de 45 grados solo (sin la imagen aterradora), la computadora de repente lo calificó como desagradable (alrededor de 2.3). Al mostrarle el parche de 135 grados solo, lo calificó como placentero (alrededor de 8.0). La computadora había aprendido a asociar las rayas neutrales con los sentimientos de las imágenes con las que fueron emparejadas, tal como lo haría un humano.

Pero, ¿simplemente memorizó las imágenes exactas o realmente aprendió? Los investigadores probaron esto con la generalización. Le mostraron a la computadora rayas en ángulos que nunca había visto, como 30 grados o 60 grados. La reacción de la computadora se desvanecía suavemente a medida que las rayas se alejaban de los ángulos "entrenados". Si fue entrenada con 45 grados, una raya de 30 grados se sentía un poco aterradora, pero una raya de 90 grados se sentía neutral. Este efecto de "desvanecimiento" es exactamente lo que ocurre en los humanos, lo que sugiere que la computadora no solo estaba memorizando píxeles, sino que realmente estaba aprendiendo un concepto. También probaron si la ubicación de la raya importaba. Incluso cuando movieron las rayas a diferentes esquinas de la pantalla donde no habían sido entrenadas, la computadora todavía sentía la emoción, aunque el efecto era más fuerte donde había sido entrenada.

Para entender cómo aprendió la computadora, los investigadores miraron dentro de su "cerebro" a las neuronas digitales individuales. Descubrieron que, antes del aprendizaje, las neuronas que reaccionaban a las imágenes aterradoras eran diferentes de las que reaccionaban a las rayas aburridas. Pero después del aprendizaje, las neuronas que se activaban para la raya de 45 grados empezaron a parecerse y a actuar cada vez más como las neuras que se activaban para las imágenes aterradoras. La computadora había remodelado físicamente su mapa interno para hacer que la cosa neutral se pareciera a la cosa emocional.

El estudio también descubrió que esta vía de "atajo" era crucial. Cuando eliminaron la conexión del carril rápido, la computadora no pudo aprender la asociación emocional. Esto sugiere que tener una ruta directa y rápida desde la visión temprana hacia el centro de la emoción es clave para que este tipo de aprendizaje ocurra.

Sin embargo, los investigadores tienen cuidado de señalar lo que este estudio no hizo. La computadora no "sintió" nada realmente; solo calculó números. La parte visual del cerebro de la computadora estaba "congelada", lo que significa que no cambió sus propios ojos durante el proceso de aprendizaje, solo lo hizo la parte de la emoción. Los cerebros humanos reales podrían cambiar sus ojos también, y este modelo no pudo probar eso. Además, la computadora no tenía una forma de "desaprender" (extinción), que es como dejamos de tener miedo a algo una vez que nos damos cuenta de que es seguro.

Al final, este estudio sugiere que las redes neuronales profundas, cuando se construyen con los atajos adecuados y se entrenan con las reglas emocionales correctas, pueden imitar la forma en que los humanos forman memorias emocionales. Demuestra que no necesitamos un "alma" mágica para aprender asociaciones; solo necesitamos el tipo de arquitectura adecuada, con capas y conexiones de atajo. Aunque esto es una simulación y no un cerebro humano real, ofrece una poderosa nueva herramienta para que los científicos exploren cómo nuestras mentes vinculan el mundo que nos rodea con nuestros sentimientos más profundos.