Un equipo del Instituto de Óptica del Consejo Superior de Investigaciones Científicas (IO-CSIC) ha creado un modelo matemático que explica cómo funcionan las neuronas de la corteza visual, la región ubicada en la parte posterior del cerebro que procesa la información aportada por los ojos.
Los resultados abren la posibilidad de diseñar redes neuronales artificiales, sistemas computacionales inspirados en las neuronas biológicas, que emulen mejor el funcionamiento del cerebro.
“Nuestro modelo proporciona una mejor comprensión de los procesos neuronales, ya que es capaz de explicar una serie de resultados experimentales para los que los enfoques tradicionales no son satisfactorios”, indica Marcelo Bertalmío, uno de los autores de este trabajo.
Este investigador del IO-CSIC se refiere al modelo clásico propuesto en 1959 por Hubel y Wiesel, el cual describe la organización jerárquica del procesamiento visual en la corteza visual. Esta formulación, según los investigadores, no logra explicar, por ejemplo, el papel exacto de las dendritas, que sirven como receptores de los impulsos nerviosos y cuyas propiedades son clave para la transmisión de la información.
Los investigadores han realizado abstracciones matemáticas de algunos procesos que ocurren dentro de las neuronas y que hasta ahora no se incluían en este modelo clásico, en parte debido a su complejidad. “También porque se pensaba que no sería necesario, ya que se creía que el modelo clásico iba a ser capaz de explicar cualquier fenómeno”, subraya Bertalmío.
Redes neuronales artificiales más precisas
La relevancia de este estudio reside en su capacidad para el diseño de redes neuronales artificiales más precisas, que puedan replicar algunas propiedades cerebrales, como la estabilidad respecto a perturbaciones.
Una red neuronal artificial (RNA) es un modelo computacional usado para inteligencia artificial, inspirado en la organización jerárquica y el mecanismo de transmisión sináptica de las neuronas biológicas.
Las redes neuronales permiten a los programas reconocer patrones y resolver problemas comunes en inteligencia artificial, así como en sus técnicas de machine learning (aprendizaje automático) y deep learning (aprendizaje profundo).
Los investigadores trabajan ya en extender el modelo para que considere variaciones temporales, validarlo en resultados experimentales de neurociencia y percepción visual, así como su utilización en aplicaciones de visión por computadora.
