En el cerebro, las redes neuronales se optimizan para permitir un control eficiente del comportamiento y la transmisión de información, al mismo tiempo que mantienen la capacidad de adaptarse y reconfigurarse a entornos cambiantes.
Al igual que con el simple cálculo de costo/beneficio que puede predecir la velocidad a la que un gato comenzará a galopar, los investigadores de RIKEN CBS están tratando de descubrir los principios matemáticos básicos que subyacen a la autooptimización de las redes neuronales.
Principio de energía libre
El principio de energía libre sigue un concepto llamado inferencia bayesiana, que es la clave. En este sistema, un agente se actualiza continuamente con nuevos datos sensoriales entrantes, así como con sus propios resultados o decisiones anteriores. Los investigadores compararon el principio de la energía libre con reglas bien establecidas que controlan cómo la fuerza de las conexiones neuronales dentro de una red puede verse alterada por cambios en la información sensorial.
Una vez que establecieron que las redes neuronales siguen teóricamente el principio de energía libre, probaron la teoría mediante simulaciones. Las redes neuronales se autoorganizan cambiando la fuerza de sus conexiones neuronales y asociando decisiones pasadas con resultados futuros. En este caso, se puede considerar que las redes neuronales se rigen por el principio de energía libre, lo que le permitió aprender la ruta correcta a través de un laberinto a través de prueba y error de una manera estadísticamente óptima.
Estos hallazgos apuntan hacia un conjunto de reglas matemáticas universales que describen cómo las redes neuronales se autooptimizan. Estas reglas, junto con la nueva técnica de ingeniería inversa de los investigadores, se pueden utilizar para estudiar redes neuronales para la toma de decisiones en personas con trastornos del pensamiento como la esquizofrenia y predecir los aspectos de sus redes neuronales que han sido alterados.
Otro uso práctico para estas reglas matemáticas universales podría ser en el campo de la inteligencia artificial, especialmente aquellas que los diseñadores esperan que puedan aprender, predecir, planificar y tomar decisiones de manera eficiente.