On Image classification using spiking membrane systems with structural plasticity and spike time dependent plasticity rules

En los rincones silenciosos de la informática, una rama específica de la investigación busca construir máquinas que piensen más como los seres vivos. Durante décadas, la inteligencia artificial estándar ha dependido de modelos matemáticos que procesan la información en flujos constantes y continuos, de forma muy parecida a una calculadora procesando números. Pero el cerebro humano opera de manera diferente. Se comunica a través de breves y agudos estallidos eléctricos llamados impulsos o "spikes", y las conexiones entre sus células no son fijas; crecen, se encogen y se reconectan según la experiencia. Este campo, conocido como computación natural, intenta capturar ese dinamismo biológico. El objetivo es crear sistemas que no solo calculen, sino que se adapten, aprendiendo de la sincronización de las señales y de la estructura física de sus propias redes.

Un equipo de investigadores en Calcuta ha dado un paso significativo en esta dirección al diseñar un nuevo tipo de modelo informático que imita estos comportos biológicos. Se centraron en un desafío específico: reconocer letras escritas a mano. Si bien las computadoras estándar pueden leer texto fácilmente, a menudo tienen dificultades cuando la entrada es desordenada o distorsionada. Los investigadores querían ver si un sistema que pudiera reorganizar físicamente sus propias conexiones internas, ajustando también la fuerza de dichas conexiones, podría manejar mejor el ruido que los métodos existentes. Su trabajo introduce un modelo que combina dos poderosos conceptos biológicos: la capacidad de crear y eliminar conexiones sobre la marcha, y la capacidad de aprender de la sincronización precisa de las señales.

Los investigadores construyeron un cerebro digital compuesto por unidades simples que actúan como neuronas. A diferencia de las redes tradicionales donde el camino entre dos puntos es permanente, este sistema permite que las conexiones mismas cambien. Cuando llega una señal, el sistema puede decidir construir un nuevo puente entre dos unidades o derribar uno antiguo. Esto se llama plasticidad estructural. Al mismo tiempo, el sistema utiliza una regla de aprendizaje inspirada en cómo los cerebros humanos fortalecen las memorias. Si dos unidades se activan al mismo tiempo, la conexión entre ellas se fortalece; si se activan desincronizadas, la conexión se debilita. Este enfoque dual permite al sistema no solo aprender qué señales son importantes, sino también reconfigurar físicamente su red para enfocarse en los patrones correctos.

Para probar esta idea, el equipo creó un conjunto de datos sintéticos de letras inglesas. Tomaron cuadrículas simples de 7 por 5 píxeles, donde los píxeles negros representaban la letra y los blancos representaban el fondo. Convirtieron estas cuadrículas en secuencias de impulsos eléctricos. Para simular las imperfecciones del mundo real, invirtieron aleatoriamente algunos de los bits en los datos, convirtiendo píxeles negros en blancos y viceversa, creando tres niveles de ruido: bajo, medio y alto. Luego, introdujeron estas secuencias ruidosas en su nuevo modelo y observaron qué tan bien podía identificar las letras. Compararon los resultados contra un modelo anterior que utilizaba únicamente la regla de aprendizaje basada en la sincronización sin la capacidad de reconectar sus conexiones.

Los resultados mostraron que el nuevo sistema era notablemente resiliente. Cuando los datos estaban perfectamente limpios, el modelo identificaba las letras con una precisión promedio de casi el 99.8 por ciento. Más importante aún, a medida que el ruido aumentaba, el nuevo modelo mantenía su posición mejor que el anterior. En escenarios con niveles de ruido medio y alto, donde el modelo antiguo comenzaba a fallar, el nuevo sistema mantenía una mayor precisión. Por ejemplo, cuando se invirtieron siete bits del patrón de 35 bits de la letra, el nuevo modelo aún lograba reconocer las letras correctamente cerca del 80 por ciento de las veces, superando el punto de referencia anterior. Los investigadores descubrieron que la capacidad de crear y eliminar conexiones dinámicamente permitía al sistema filtrar los errores aleatorios y enfocarse en la forma central de la letra.

El estudio también destacó una compensación. Si bien el nuevo modelo era más robusto y preciso en condiciones de ruido, requería más recursos computacionales para gestionar el complejo proceso de reconexión y ajuste de pesos. El modelo anterior, más simple, era más rápido y ligero, pero menos capaz de manejar distorsiones significativas. Los investigadores señalaron que su trabajo sirve como una prueba de concepto, demostrando que un sistema puede evolucionar su propia estructura para resolver problemas. Utilizaron un conjunto de datos sintéticos generados a partir de plantillas en lugar de fotografías del mundo real, lo que significa que los hallazgos se aplican específicamente a este tipo de tarea de reconocimiento de patrones. Sin embargo, el éxito sugiere que combinar cambios estructurales con el aprendizaje basado en la sincronización podría ser una estrategia poderosa para construir máquinas que no solo sean inteligentes, sino también adaptables a la naturaleza desordenada e impredecible de los datos del mundo real.