Estas imágenes trippy fueron diseñadas por AI para sobreestimular las neuronas de los monos.

"Cuando se les proporcionó esta herramienta, las células comenzaron a aumentar su velocidad de disparo más allá de los niveles que hemos visto antes, incluso con imágenes normales preseleccionadas para obtener las tasas de disparo más altas", explica el co-primer autor Carlos Ponce, luego un becario postdoctoral en el laboratorio de la autora principal Margaret Livingstone en la Escuela de Medicina de Harvard y ahora miembro de la facultad en la Universidad de Washington en St. Louis.

"Lo que comenzó a surgir durante cada experimento fueron imágenes que recordaban formas en el mundo pero no eran objetos reales en el mundo", dice. "Estábamos viendo algo que era más como el lenguaje que las células usan entre sí".

Los investigadores han sabido que las neuronas en la corteza visual de los cerebros de primates responden a imágenes complejas, como las caras, y que la mayoría de las neuronas son bastante selectivas en su preferencia de imagen. Los estudios anteriores sobre la preferencia neuronal utilizaron muchas imágenes naturales para ver qué imágenes causaban que las neuronas dispararan más. Sin embargo, este enfoque está limitado por el hecho de que no se pueden presentar todas las imágenes posibles para comprender qué es exactamente lo que mejor estimulará la célula.

El algoritmo XDREAM utiliza la velocidad de disparo de una neurona para guiar la evolución de una imagen sintética novedosa. Recorre una serie de imágenes en el transcurso de minutos, las muta, las combina y luego muestra una nueva serie de imágenes. Al principio, las imágenes parecían ruidos, pero gradualmente se convirtieron en formas que se asemejaban a caras o algo reconocible en el entorno del animal, como la tolva de comida en la habitación de los animales o personas familiares que usan batas quirúrgicas. El algoritmo fue desarrollado por Will Xiao en el laboratorio de Gabriel Kreiman en el Children's Hospital y probado en neuronas reales en la Escuela de Medicina de Harvard.

"La gran ventaja de este enfoque es que le permite a la neurona construir sus propias imágenes preferidas desde cero, utilizando una herramienta que no está limitada por mucho, que puede crear cualquier cosa en el mundo o incluso cosas que no existen en el mundo. , "dice ponce.

"De esta manera, hemos desarrollado un súper estímulo que impulsa la célula mejor que cualquier estímulo natural que podamos adivinar", dice Livingstone. "Este enfoque le permite usar inteligencia artificial para descubrir qué es lo que más desencadena las neuronas. Es una forma totalmente imparcial de preguntar a la célula qué es lo que realmente quiere, qué lo haría disparar más".

A partir de este estudio, los investigadores creen que están viendo que el cerebro aprende a extraer características estadísticamente relevantes de su mundo. "Estamos viendo que el cerebro está analizando la escena visual, y guiado por la experiencia, extrayendo información que es importante para el individuo a lo largo del tiempo", dice Ponce. "El cerebro se está adaptando a su entorno y codifica información ecológicamente significativa de manera impredecible".

El equipo cree que esta tecnología se puede aplicar a cualquier neurona en el cerebro que responda a la información sensorial, como neuronas auditivas, neuronas del hipocampo y neuronas de la corteza prefrontal donde se puede acceder a los recuerdos. "Esto es importante porque a medida que los investigadores de inteligencia artificial desarrollan modelos que funcionan tan bien como lo hace el cerebro, o incluso mejor, aún tendremos que entender qué redes tienen más probabilidades de comportarse de manera segura y promover objetivos humanos", dice Ponce. "Una IA más eficiente puede basarse en el conocimiento de cómo funciona el cerebro".

Este trabajo fue apoyado por becas de los Institutos Nacionales de Salud y la Fundación Nacional de Ciencia.

Fuente de la historia:

Materiales proporcionados por Prensa celular. Nota: El contenido puede ser editado por estilo y longitud.