As redes neurais inspiradas no cérebro revelam informações sobre a base biológica da aprendizagem relacional

Os seres humanos e certos animais parecem ter uma capacidade inata de aprender relacionamentos entre diferentes objetos ou eventos do mundo. Essa habilidade, conhecida como “aprendizado relacional”, é amplamente considerado crítico para a cognição e a inteligência, pois se pensa que os relacionamentos aprendidos permitem que humanos e animais navegassem em novas situações.

Pesquisadores da ML Collective em São Francisco e Universidade de Columbia realizaram um estudo destinado a entender a base biológica do aprendizado relacional, usando um tipo específico de rede neural artificial inspirada no cérebro. Seu trabalho, publicado em Neurociência da naturezalança nova luz sobre os processos no cérebro que podem sustentar o aprendizado relacional em humanos e outros organismos.

“Enquanto eu estava visitando a Columbia University, conheci meu co-autor Kenneth Kay e conversamos sobre sua pesquisa”, disse Thomas Miconi, co-autor do jornal, ao Medical Xpress.

“Ele estava treinando redes neurais para fazer algo chamado ‘inferência transitiva” e eu não sabia o que era na época. A idéia básica de inferência transitiva é simples: ‘Se A> B e B> C, então A> C.’ Esse é um conceito com o qual todos estamos familiarizados e é realmente essencial para muito do nosso entendimento do mundo “.

O trabalho passado indica que, quando os humanos e alguns animais realizam certas tarefas psicológicas, eles parecem compreender as relações entre objetos, mesmo que esses relacionamentos não sejam explicitamente fornecidos. Em tarefas conhecidas como tarefas de inferência transitiva, elas podem descobrir relacionamentos de pedidos (ou seja, A é “>” ou “<" do que B, etc.) por si mesmos, depois de receber pares de estímulos e ver o resultado de várias comparações ( ou seja, "A vs. B", "B vs. A", "B vs. C", etc.).

“De acordo com isso, o ‘A’, ‘B’, ‘C’ são estímulos totalmente arbitrários, como odores ou imagens, que não ‘distribuem’ o relacionamento”, explicou Miconi. “Se o relacionamento de pedidos for aprendido com sucesso, os sujeitos podem responder corretamente quando vêem ‘A vs. C’Ar. macacos) Obtenha a resposta correta em ‘A vs. C’ e outras combinações semelhantes de estímulos nunca são vistos diretamente antes (por exemplo, B vs. F ‘). “

Estudos anteriores descobriram que, quando treinados em pares de estímulos “adjacentes” (por exemplo, AB, CD, etc.), humanos, ratos, pombos e macacos podem aprender a adivinhar corretamente o relacionamento de pedidos para pares com os quais não foram apresentados antes (por exemplo,, por exemplo, Ae, cf, etc.). Os processos no cérebro subjacentes a essa capacidade bem relatada, no entanto, permanecem pouco compreendidos.

“Foi intrigante ouvir sobre essa habilidade e essas descobertas, não apenas por causa da natureza intuitiva, relacional e combinatória da tarefa (que não é convencional entre as tarefas atualmente populares em neurociência), mas também porque, apesar de um estudo considerável, ainda o fazemos Não sei como o cérebro aprende pedidos de uma maneira que produz automaticamente a inferência transitiva “, disse Miconi.

“Em nossa discussão, uma coisa que tornou as coisas ainda mais interessantes foi uma descoberta adicional de trabalhos anteriores: a saber, que humanos e macacos (mas não pombos ou roedores) foram capazes de ‘reorganizar’ seus conhecimentos existentes de pedidos existentes de ordenadas Depois de encontrar um pequeno pouco de informação nova. “

Curiosamente, pesquisas anteriores adicionais mostraram que, se humanos e macacos aprendessem com sucesso as relações de ordem entre diferentes conjuntos de estímulos, por exemplo “A> b> c” e “d> e> f”, uma vez que aprendem que “c> d”. Eles saberão instantaneamente que “B> E.” Isso mostra que seus cérebros podem reorganizar o conhecimento anterior com base em novas informações; Um processo que foi denominado “o conhecimento reastrentando”.

“Isso nos impressionou como uma habilidade adicional que vale a pena investigar, pois é um exemplo simples, porém dramático, de aprender ou adquirir conhecimento”, disse Miconi.

“Em algum momento, percebemos que seria possível obter uma visão de como o cérebro tem uma dessas habilidades, adotando a abordagem de uma área na inteligência da máquina chamada ‘Meta-Learning’, que adota a idéia básica de ‘aprender para aprender.”

“Para um sistema artificial, a idéia é que, em vez de treinar o sistema (como uma rede neural) para dar a resposta correta para um conjunto específico de estímulos (por exemplo, estímulos ‘a’ a ” ‘,’ c ‘, poderíamos, poderíamos Em vez disso, treine um sistema para aprender, por si só, a resposta correta para qualquer novo conjunto de estímulos (por exemplo, estímulos ‘p’ ” q ” r ‘, etc.), assim como os animais têm a tarefa de fazer em experimentos “.

Para explorar os fundamentos desses vários aspectos da aprendizagem relacional, Miconi e Kay procuraram imitar o aprendizado relacional usando um tipo recém -desenvolvido de rede neural artificial inspirada nos circuitos cerebrais. Miconi e Kay avaliaram se esse tipo de rede foi capaz de aprender relacionamentos por conta própria, potencialmente imitando o aprendizado relacional e o conhecimento observado em humanos e primatas.

“Talvez a parte mais emocionante dessa abordagem – e o que realmente procuramos como cientistas – seria então analisar esse sistema e entender como ele funciona – fazendo isso, é realmente possível descobrir mecanismos biologicamente plausíveis”, disse Miconi . “Achamos que seria bastante conveniente se as máquinas pudessem fazer parte do processo para nos ajudar a fazer isso!”

As redes neurais artificiais utilizadas pelos pesquisadores têm uma arquitetura convencional, mas com um recurso único único. Especificamente, as redes foram aumentadas com uma versão artificial de “Sináptica Plasticidade”, o que significa que elas poderiam alterar seus próprios pesos sinápticos após a conclusão do treinamento inicial.

“Essas redes podem aprender autonomamente porque suas conexões mudam como resultado da atividade neural em andamento, e essa atividade neural em andamento inclui atividade auto-gerada”, explicou Miconi.

“A justificativa para o estudo dessas redes é que seus processos básicos de arquitetura e aprendizado imitam os de cérebros reais. Eu tive algum código existente de trabalhos anteriores que pensei que poderia ser rapidamente reformulado para esse problema. Por algum tipo de milagre, funcionou A primeira vez, o que nunca acontece. “

Usando algum código que o Miconi desenvolveu como parte de sua pesquisa anterior, os pesquisadores aplicaram as redes neurais artificiais agentadas por plasticidade sináptica a tarefas usadas para testar as habilidades de aprendizado relacional em humanos e animais.

Eles descobriram que suas redes neurais poderiam resolver essas tarefas e também alcançaram consistentemente comportamentos semelhantes aos alcançados pelos seres humanos e alguns animais, conforme documentado em estudos anteriores.

“Por exemplo, um padrão comportamental é que o desempenho é melhor para pares de estímulos mais distantes na ordem (por exemplo, B vs. F tem maior desempenho em comparação com B vs. C)”, explicou Miconi. “O que também foi realmente emocionante é que alguns desses padrões comportamentais observados experimentalmente nunca haviam sido explicados em um modelo”.

No geral, o artigo recente de Miconi e Kay aponta vários mecanismos que podem sustentar a aprendizagem relacional e as habilidades de montagem de conhecimento dos organismos biológicos. No futuro, os mecanismos que eles identificaram poderiam ser investigados ainda mais, por estudos adicionais de redes neurais artificiais ou seres humanos e animais.

“A contribuição mais específica de nosso trabalho é a elucidação dos mecanismos de aprendizagem para a inferência transitiva: em particular, mecanismos de aprendizagem que podem explicar uma coleção de padrões comportamentais observados ao longo de décadas de trabalho sobre inferência transitiva”, disse Miconi. “Um resultado impressionante é que a abordagem de meta-aprendizagem encontrou dois mecanismos de aprendizado diferentes”.

Os dois mecanismos de aprendizagem revelados por Miconi e Kay variam em complexidade. O primeiro é mais simples e só permitiu que suas redes neurais aprendessem relações gerais, sem reagir o conhecimento. O segundo é mais sofisticado, permitindo que as redes neurais atualizem informações sobre um novo par de estímulos com os quais é apresentado, ao mesmo tempo em que “recordando” os estímulos que ele já havia “visto” junto com os estímulos nesse novo par.

“Essa deliberada e direcionada ‘recall’ é o que permite que a rede realize remontagem de conhecimento, diferentemente do primeiro, mais simples”, disse Miconi.

“Este é um paralelo intrigante às capacidades de aprendizado aparentemente diferentes entre as espécies animais documentadas para a inferência transitiva. Novamente, muitos animais (roedores, pombos etc.) podem fazer uma inferência transitiva simples, mas apenas os primatas parecem capazes de executar essa remontagem rápida ‘ do conhecimento existente em resposta a novas informações limitadas.

Este estudo recente também destaca o potencial das redes neurais aumentadas com a plasticidade sináptica auto-dirigida para o estudo de processos subjacentes ao aprendizado em humanos e animais. Os métodos da equipe podem servir de inspiração para futuras obras destinadas a explorar mecanismos biológicos usando redes neurais artificiais inspiradas no cérebro.

“Atualmente, é bastante comum treinar e analisar redes neurais artificiais em instâncias únicas de uma tarefa, e isso demonstrou ter sucesso na descoberta de mecanismos biológicos para habilidades como percepção e tomada de decisão”, disse Miconi.

“Com as redes neurais plásticas, essa abordagem é estendida a descobrir mecanismos biológicos para o aprendizado cognitivo – mais especificamente, para aprender muitas instâncias possíveis de uma determinada tarefa e também potencialmente várias tarefas”.

Os resultados iniciais coletados por Miconi e Kay podem servir de base para esforços futuros destinados a esclarecer os meandros do aprendizado relacional. Em trabalhos futuros, os pesquisadores antecipam testar suas redes neurais “plásticas” em uma ampla gama de tarefas, que estão mais alinhadas com as situações que os humanos e os animais encontram em suas vidas diárias.

“No estudo, o sistema apenas executa uma tarefa – aprendendo o relacionamento de pedidos (‘a> b> c’)”, acrescentou Miconi.

“Isso seria semelhante a um animal que passou a vida inteira sem fazer nada além de aprender antes de entrar no laboratório, o que claramente não é realista. Seria interessante ver que tipo de habilidades emergem se treinarmos uma rede plástica em uma ampla gama de tarefas de aprendizado.

“Esse agente seria capaz de generalizar imediatamente para uma nova tarefa de aprendizado que não viu antes, e o que seria necessário para essa capacidade de emergir?”

© 2025 Science X Network