Structural generalization and continual learning enabled by factorized entorhinal-hippocampal memory and entorhinal-parietal action circuits
Este estudo demonstra que um modelo computacional combinando um arcabouço métrico entorrinal-hipocampal independente de conteúdo com uma rede de política de ação fatorizada entorrinal-parietal replica com sucesso as habilidades humanas e de macacos para alcançar generalização mnemônica, transitiva e estrutural flexível, ao mesmo tempo em que possibilita o aprendizado contínuo sem esquecimento catastrófico.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo
Para navegar pelo mundo, o cérebro humano realiza um feito de engenharia que permanece incomparável às redes neurais recorrentes padrão em tarefas específicas de navegação. Ele deve lembrar de lugares específicos — um café favorito, uma casa de infância — enquanto simultaneamente compreende as regras abstratas de como o espaço funciona, permitindo-nos aplicar esse conhecimento a uma nova cidade que nunca visitamos. Essa habilidade depende de dois sistemas distintos, mas conectados, no cérebro. Um sistema, centrado no hipocampo, atua como um arquivo de alta capacidade para eventos e locais específicos, armazenando os detalhes únicos do que vimos. O outro sistema, envolvendo o córtex entorrinal, fornece uma grade universal, um sistema de coordenadas mentais que mede distância e direção, independentemente do que está sendo realmente visto. Embora os cientistas saibam há muito tempo que esses sistemas existem, permanecia o mistério de como eles trabalham juntos para nos permitir aprender rapidamente, generalizar para novas situações e lembrar de tudo sem sobrescrever memórias antigas.
Uma equipe de pesquisadores do MIT e de outros lugares desvendou agora as camadas deste mistério ao testar como humanos, macacos e modelos computacionais lidam com um desafio de navegação específico. Eles projetaram uma tarefa na qual os sujeitos tinham que se mover através de uma sequência de imagens, como pedras de um caminho, de uma imagem inicial até uma imagem alvo. Os pesquisadores testaram três níveis de dificuldade. Primeiro, pediram aos sujeitos que navegassem com pistas visuais, depois sem elas, forçando o cérebro a simular a jornada internamente. Segundo, testaram se os sujeitos conseguiam navegar entre pares de imagens que nunca haviam praticado antes. Terceiro, introduziram conjuntos inteiramente novos de imagens para ver se o cérebro conseguiria transferir suas habilidades de navegação para um ambiente completamente novo. Os resultados foram drásticos: enquanto humanos e macacos dominavam todos os três desafios com facilidade, modelos de redes neurais recorrentes padrão falhavam completamente. No entanto, quando os pesquisadores construíram um novo tipo de modelo computacional que imitava a arquitetura específica do cérebro — separando o "mapa" da "memória" — ele teve sucesso onde os outros falharam.
O experimento começou com uma configuração simples. Voluntários humanos e dois macacos sentaram-se diante de uma tela exibindo uma linha fixa de imagens, como uma série de objetos distintos. Eles receberam uma imagem inicial e uma imagem alvo e tiveram que usar um joystick para percorrer a sequência até atingir o objetivo. Na primeira fase, as imagens passavam pela tela, fornecendo feedback visual constante. Uma vez que os sujeitos aprenderam a ordem das imagens, os pesquisam removeram as pistas visuais. Os sujeitos agora tinham que mover o joystick enquanto a tela ficava escura, confiando inteiramente em seu senso interno de quanto haviam percorrido. Isso é conhecido como navegação mental. Os sujeitos realizaram isso sem esforço, mostrando que haviam construído um mapa mental da sequência. Em seguida, os pesquisadores testaram a generalização transitiva, pedindo aos sujeitos que navegassem entre pontos de partida e de chegada que nunca haviam praticado juntos. Finalmente, introduziram um terceiro ambiente com um conjunto de imagens completamente diferente para testar a generalização estrutural.
O desempenho dos sujeitos biológicos foi notável. Humanos e macacos não apenas navegaram pelas novas rotas e novos ambientes com alta precisão, mas também mantiveram sua capacidade de navegar no ambiente original sem esquecê-lo. Essa ausência de "esquecimento catastrófico" é uma característica crítica do aprendizado biológico que sistemas artificiais lutam para replicar. Quando os pesquisadores tentaram replicar esse comportamento usando redes neurais recorrentes padrão, esses modelos falharam em todos os testes. Eles podiam aprender a tarefa visual com feedback, mas no momento em que as pistas visuais eram removidas, ou a rota mudava, ou o ambiente era novo, os modelos colapsavam. Eles não consegam generalizar, nem lembrar lições antigas enquanto aprendiam novas.
O avanço veio quando os pesquisadores construíram um modelo que espelhava a estrutura proposta pelo cérebro. Este modelo, que chamam de política de Ação aumentada por Vector-HaSH, consiste em duas partes principais trabalhando em conjunto. A primeira parte é um arcabouço de memória estruturado baseado em células de grade. Pense nisso como uma régua rígida e independente de conteúdo que mede distância e direção. Ela não se importa com o que são as imagens; ela só se importa com o espaço entre elas. A segunda parte é uma rede de política que aprende como se mover com base na distância medida pela régua. Como a régua é fixa e universal, a política aprendida em um ambiente pode ser aplicada imediatamente a um novo. O modelo vincula novas imagens a esta régua usando um processo de aprendizado rápido e único, de forma muito semelhante ao hipocampo do cérebro.
Quando este novo modelo foi testado, ele reproduziu toda a gama de comportamentos humanos e de macacos. Ele navegou sem feedback visual, percorreu rotas inéditas e adaptou-se a novos ambientes instantaneamente, tudo isso enquanto lembrava dos antigos. Os pesquisadores então olharam dentro do modelo para ver como ele funcionava e compararam sua atividade interna com os sinais elétricos reais registrados dos cérebros dos macacos realizando a tarefa. Eles descobriram uma correspondência precisa. O módulo de "distância" do modelo, que rastreava o quão longe o sujeito estava do objetivo, comportava-se exatamente como os neurônios no córtex entorrinal do macaco. O módulo de "ação" do modelo, que decidia quando se mover e quando parar, correspondia à atividade no córtex parietal posterior. Isso confirmou que o cérebro provavelmente divide a tarefa de navegação em duas computações distintas: uma que mede a distância e outra que decide a ação.
Uma descoberta final revelou como o cérebro calibra este sistema. Os pesquisadores descobriram que, para o modelo funcionar perfeitamente, ele precisava aprender um fator de escala específico para alinhar sua régua interna com o espaçamento das imagens. Se os traços da régua estivessem muito distantes ou muito próximos uns dos outros em relação às imagens, o modelo tinha dificuldades. No entanto, quando o modelo foi permitido ajustar esse fator de escala durante o aprendizado, ele rapidamente encontrou o alinhamento perfeito, tal como o cérebro faz. Isso sugere que o cérebro ajusta ativamente seu senso interno de velocidade e distância para corresponder à estrutura do ambiente que está explorando.
O estudo conclui que a capacidade do cérebro de aprender, generalizar e lembrar não é resultado de ter mais dados ou mais poder de processamento, mas de um design arquitetônico específico. Ao separar a estrutura invariante do espaço do conteúdo específico da experiência, o cérebro cria um sistema que é tanto flexível quanto estável. O circuito entorrino-hipocampal fornece uma métrica universal que permite ao cérebro aplicar lições passadas a novas situações sem apagar o passado. Essa fatoração da memória e da ação explica como podemos entrar em uma nova cidade, encontrar nosso caminho e ainda assim lembrar o caminho de casa, um feito que os modelos de redes neurais recorrentes padrão ainda não alcançaram.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.