La inteligencia artificial imita la navegación animal

Muchos animales, incluyendo a los humanos, tienen formas increíbles de orientarse. Por ejemplo, las aves migran largas distancias, usando a menudo los campos magnéticos de la Tierra para guiarse. Los roedores encuentran su camino a través de laberintos, mientras que los taxistas en ciudades concurridas como Londres memorizan miles de calles. Los científicos creen que una parte del cerebro llamada hipocampo juega un papel importante en cómo funcionan estas habilidades de navegación.

Dentro del hipocampo, hay células cerebrales especiales conocidas como células de lugar. Estas células se activan cuando un animal está en una ubicación específica. Se sabe que responden a diferentes señales, como la forma de una habitación, olores o colores. Esto significa que las células de lugar combinan tanto dónde está el animal como otra información importante sobre el entorno. Cuando el entorno cambia significativamente, las células de lugar pueden reaccionar alterando cómo responden a las ubicaciones, sugiriendo que pueden adaptarse a diferentes ambientes.

A pesar de saber mucho sobre las células de lugar, los científicos aún debaten cómo se comportan tan bien. Algunos investigadores piensan que las células de lugar pueden recibir su información de otros tipos de células, como las células de cuadrícula, que ayudan a medir distancia y dirección. Otras ideas sugieren que la actividad de las células de lugar podría variar según el entorno, creando diferentes estados de comportamiento. Sin embargo, cómo se forman y aprenden estas complejas representaciones sigue siendo un misterio.

Recientemente, algunos científicos han usado modelos de inteligencia artificial para imitar cómo navegan los animales. Descubrieron que ciertos modelos de computadora podían crear patrones similares a los que se ven en las células de lugar biológicas cuando se entrenan en tareas básicas de navegación. Sin embargo, muchos de estos modelos eran bastante complejos y usaban diversas técnicas, lo que hacía difícil entender por qué se formaban esos patrones. Estos estudios usualmente enfatizaban patrones similares a los de las células de cuadrícula, dejando a menudo de lado el comportamiento de las células de lugar.

Para simplificar el proceso, algunos científicos desarrollaron una idea más directa. Propusieron que si una Red Neuronal simple se entrena para completar tareas de navegación, podría aprender a representar ubicaciones con precisión. Encontraron que no solo este modelo podía aprender a mostrar dónde estaba un animal, sino que también podía combinar esta información de ubicación con otras señales contextuales, como diferentes entornos o condiciones.

En su entrenamiento, las redes neuronales aprendieron a reconocer cuando dos ubicaciones estaban cerca unas de otras, asegurándose de que los patrones correspondientes en sus salidas fueran similares. Si dos ubicaciones estaban lejos, sus patrones serían diferentes. Esto significa que la red podría representar Información Espacial de maneras que se asemejan a cómo operan las células de lugar biológicas. Incluso descubrieron que a medida que el contexto cambiaba, las representaciones de la red también cambiaban, similar a cómo las células de lugar en el cerebro operan cuando un entorno cambia.

Los investigadores entrenaron dos tipos de redes: una red de avance y una red recurrente. La red de avance se entrenó para reconocer ubicaciones y contextos procesando los datos de una vez. La red recurrente, por otro lado, fue diseñada para considerar secuencias de información a lo largo del tiempo, como cómo un animal se mueve a través del espacio.

Mientras entrenaban estas redes, los científicos observaron de cerca cómo evolucionaban las salidas. Descubrieron que la red de avance aprendió a emular eficazmente las células de lugar, mostrando comportamientos como identificar ubicaciones específicas donde las neuronas estaban activas, similar a lo que hacen las células biológicas. Esto significa que cuando la red se mostraba diferentes ubicaciones, respondía como verdaderas células de lugar, proporcionando información valiosa sobre su comportamiento.

La red de avance mostró características interesantes, especialmente cuando fue expuesta a varios contextos. Las unidades de salida cambiaban sus patrones de activación según el contexto proporcionado, un comportamiento similar al remapeo que se ve en las células de lugar biológicas. En términos más simples, al igual que los animales reaccionan a los cambios en su entorno, la red se adaptó cambiando sus respuestas a diferentes contextos.

La red recurrente también mostró resultados prometedores. A medida que procesaba información a lo largo del tiempo, aprendió a representar tanto información espacial como contextual. No solo mostró patrones similares a las células de lugar, sino que también mostró patrones en forma de banda, que podrían estar conectados a cómo los animales rastrean su movimiento. Ambas redes proporcionaron evidencia de que podían aprender representaciones útiles para navegar espacios mientras se adaptaban a diferentes contextos.

Un hallazgo fascinante fue que las redes entrenadas podían adaptar sus representaciones aprendidas cuando era necesario. Podían transformar sus mapas espaciales entre diferentes contextos sin empezar desde cero. Esto significa que podían tomar lo que ya habían aprendido y ajustarlo con base en nueva información, una habilidad que podría reflejar cómo funcionan los cerebros reales cuando los animales se enfrentan a nuevas situaciones.

Los investigadores también exploraron cómo las redes podrían utilizarse para crear nuevos mapas espaciales basados en transformaciones de los datos aprendidos. Descubrieron que podían ajustar estas representaciones manteniendo intacta la estructura subyacente. Esta capacidad podría imitar cómo las células de lugar en el cerebro podrían reorganizarse bajo diversas circunstancias, proporcionando información sobre cómo la memoria y la navegación funcionan juntas.

Sin embargo, la investigación no está exenta de limitaciones. Los modelos usaron ciertas suposiciones que pueden no reflejar con precisión cómo los cerebros reales procesan la información. Por ejemplo, las redes requerían ubicaciones etiquetadas y Pistas contextuales preestablecidas para ser efectivas. Esto podría no coincidir con cómo los animales aprenden e interactúan naturalmente con sus entornos.

Además, los modelos usaron una forma simple de contexto, como un solo valor para representar diferentes situaciones. En realidad, el contexto puede ser más complejo y multifacético. Los estudios futuros podrían explorar cómo construir redes que manejen mejor esta complejidad, llevando a una representación más precisa de cómo se interconectan la memoria y la navegación.

En conclusión, esta investigación ofrece una mirada interesante sobre cómo los sistemas artificiales pueden imitar la navegación biológica. Al crear modelos que replican con éxito el comportamiento de las células de lugar, los científicos obtienen información sobre los matices de la navegación y la memoria en animales y máquinas. Tales hallazgos podrían conducir a una mejor comprensión y aplicaciones en robótica, inteligencia artificial y nuestra comprensión del cerebro humano. La exploración de cómo los organismos navegan continúa, ofreciendo un potencial emocionante para futuros descubrimientos.