Structural generalization and continual learning enabled by factorized entorhinal-hippocampal memory and entorhinal-parietal action circuits
Este estudio demuestra que un modelo computacional que combina un andamiaje métrico entorrino-hipocampal independiente del contenido con una red de política de acción entorrino-parietal factorizada replica con éxito las capacidades de humanos y monos para lograr la generalización mnemónica, transitiva y estructural flexible, al tiempo que permite el aprendizaje continuo sin olvido catastrófico.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo
Para navegar por el mundo, el cerebro humano realiza una proeza de ingeniería que permanece inalcanzable para las redes neuronales recurrentes estándar en tareas de navegación específicas. Debe recordar lugares específicos —un café favorito, una casa de la infancia— mientras comprende simultáneamente las reglas abstractas de cómo funciona el espacio, lo que nos permite aplicar ese conocimiento a una ciudad nueva que nunca hemos visitado. Esta capacidad depende de dos sistemas distintos pero conectados en el cerebro. Un sistema, centrado en el hipocampo, actúa como un archivador de alta capacidad para eventos y ubicaciones específicas, almacenando los detalles únicos de lo que hemos visto. El otro sistema, que involucra la corteza entorrinal, proporciona una cuadrícula universal, un sistema de coordenadas mentales que mide la distancia y la dirección independientemente de lo que se esté mirando realmente. Aunque los científicos saben desde hace tiempo que estos sistemas existen, ha sido un misterio cómo trabajan juntos para permitirnos aprender rápidamente, generalizar a nuevas situaciones y recordar todo sin sobrescribir los recuerdos antiguos.
Un equipo de investigadores del MIT y de otros lugares ha desvelado ahora las capas de este misterio mediante la prueba de cómo los humanos, los monos y los modelos informáticos gestionan un desafío de navegación específico. Diseñaron una tarea en la que los sujetos debían moverse a través de una secuencia de imágenes, como piedras de un camino, desde una imagen de inicio hasta una imagen de destino. Los investigadores probaron tres niveles de dificultad. Primero, pidieron a los sujetos que navegaran con pistas visuales, luego sin ellas, obligando al cerebro a simular el viaje internamente. Segundo, probaron si los sujetos podían navegar entre pares de imágenes que nunca habían practicado antes. Tercero, introdujeron conjuntos de imágenes completamente nuevos para ver si el cerebro podía transferir sus habilidades de navegación a un entorno completamente nuevo. Los resultados fueron contundentes: mientras que los humanos y los monos dominaron los tres desafíos con facilidad, los modelos de redes neuronales recurrentes estándar fallaron por completo. Sin embargo, cuando los investigadores construyeron un nuevo tipo de modelo informático que imitaba la arquitectura específica del cerebro —separando el "mapa" de la "memoria"—, este tuvo éxito donde los otros fallaron.
El experimento comenzó con una configuración sencilla. Voluntarios humanos y dos monos se sentaron ante una pantalla que mostraba una línea fija de imágenes, como una serie de objetos distintos. Se les dio una imagen de inicio y una imagen de destino, y tuvieron que usar un joystick para moverse a través de la secuencia hasta alcanzar la meta. En la primera fase, las imágenes pasaban frente a ellos, proporcionando retroalimentación visual constante. Una vez que los sujetos aprendieron el orden de las imágenes, los investigadores eliminaron las pistas visuales. Los sujetos ahora tenían que mover el joystick mientras la pantalla se oscurecía, confiando enteramente en su sentido interno de cuánto habían viajado. Esto se conoce como navegación mental. Los sujetos realizaron esto sin esfuerzo, demostrando que habían construido un mapa mental de la secuencia. A continuación, los investigadores probaron la generalización transitiva pidiendo a los sujetos que navegaran entre puntos de inicio y de fin que nunca habían practicado juntos. Finalmente, introdujeron un tercer entorno con un conjunto de imágenes completamente diferente para probar la generalización estructural.
El rendimiento de los sujetos biológicos fue notable. Los humanos y los monos no solo navegaron por las nuevas rutas y entornos con alta precisión, sino que también mantuvieron su capacidad para navegar en el entorno original sin olvidarlo. Esta falta de "olvido catastrófico" es una característica crítica del aprendizaje biológico que los sistemas artificiales luchan por replicar. Cuando los investigadores intentaron replicar este comportamiento utilizando redes neuronales recurrentes estándar, estos modelos fallaron en cada prueba. Podían aprender la tarea visual con retroalimentación, pero en el momento en que se eliminaban las pistas visuales, o cambiaba la ruta, o el entorno era nuevo, los modelos colapsaban. No podían generalizar, ni tampoco recordar las lecciones anteriores mientras aprendían nuevas.
El avance llegó cuando los investigadores construyeron un modelo que reflejaba la estructura propuesta del cerebro. Este modelo, que llaman Vector-HaSH augmented Action policy, consta de dos partes principales trabajando en tándem. La primera parte es un andamio de memoria estructurado basado en células de red (grid cells). Piense en esto como una regla rígida e independiente del contenido que mide la distancia y la dirección. No le importa cuáles sean las imágenes; solo le importa el espacio entre ellas. La segunda parte es una red de política que aprende cómo moverse basándose en la distancia medida por la regla. Debido a que la regla es fija y universal, la política aprendida en un entorno puede aplicarse inmediatamente a uno nuevo. El modelo vincula las nuevas imágenes a esta regla mediante un proceso de aprendizaje rápido y único, de forma muy similar al hipocampo del cerebro.
Cuando se probó este nuevo modelo, reprodujo toda la gama de comportos del humano y el mono. Navegó sin retroalimentación visual, tomó rutas novedosas y se adaptó a nuevos entornos instantáneamente, todo ello mientras recordaba los anteriores. Los investigadores examinaron entonces el interior del modelo para ver cómo funcionaba y compararon su actividad interna con las señales eléctricas reales registradas de los cerebros de los monos que realizaban la tarea. Encontraron una coincidencia precisa. El módulo de "distancia" del modelo, que rastreaba qué tan lejos estaba el sujeto de la meta, se comportaba exactamente como las neuronas de la corteza entorrinal del mono. El módulo de "acción" del modelo, que decidía cuándo moverse y cuándo detenerse, coincidía con la actividad en la corteza parietal posterior. Esto confirmó que el cerebro probablemente divide la tarea de la navegación en dos computaciones distintas: una que mide la distancia y otra que decide la acción.
Un descubrimiento final reveló cómo el cerebro calibra este sistema. Los investigadores descubrieron que, para que el modelo funcionara perfectamente, tenía que aprender un factor de escala específico para alinear su regla interna con el espaciado de las imágenes. Si las marcas de la regla estaban demasiado separadas o demasiado juntas en relación con las imágenes, el modelo tenía dificultades. Sin embargo, cuando se permitió al modelo ajustar este factor de escala durante el aprendizaje, encontró rápidamente la alineación perfecta, tal como hace el cerebro. Esto sugiere que el cerebro ajusta activamente su sentido interno de velocidad y distancia para adaptarse a la estructura del entorno que está explorando.
El estudio concluye que la capacidad del cerebro para aprender, generalizar y recordar no es el resultado de tener más datos o más potencia de procesamiento, sino de un diseño arquitectónico específico. Al separar la estructura invariable del espacio del contenido específico de la experiencia, el cerebro crea un sistema que es tanto flexible como estable. El circuito entorrino-hipocampal proporciona una métrica universal que permite al cerebro aplicar lecciones pasadas a situaciones nuevas sin borrar el pasado. Esta factorización de la memoria y la acción explica cómo podemos entrar en una ciudad nueva, orientarnos y, aun así, recordar el camino a casa, una proeza que los modelos de redes neuronales recurrentes estándar aún no han logrado alcanzar.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.