La utilidad de una memoria guía dónde la guarda el cerebro | Revista Quanta

La memoria no representa un solo misterio científico; son muchos de ellos. Los neurocientíficos y psicólogos han llegado a reconocer diversos tipos de memoria que coexisten en nuestro cerebro: recuerdos episódicos de experiencias pasadas, recuerdos semánticos de hechos, recuerdos a corto y largo plazo, y más. Estos suelen tener características diferentes e incluso parecen estar ubicados en diferentes partes del cerebro. Pero nunca ha estado claro qué característica de un recuerdo determina cómo o por qué debe ordenarse de esta manera.

Ahora, una nueva teoría respaldada por experimentos que utilizan redes neuronales artificiales propone que el cerebro puede estar clasificando recuerdos evaluando la probabilidad de que sean útiles como guías en el futuro. En particular, sugiere que muchos recuerdos de cosas predecibles, que van desde hechos hasta experiencias útiles recurrentes (como lo que desayunas regularmente o tu camino al trabajo) se guardan en la neocorteza del cerebro, donde pueden contribuir a generalizaciones sobre el mundo. Los recuerdos que tienen menos probabilidades de ser útiles (como el sabor de esa bebida única que tomaste en esa fiesta) se guardan en el banco de memoria con forma de caballito de mar llamado hipocampo. Segregar activamente los recuerdos de esta manera en función de su utilidad y generalización puede optimizar la confiabilidad de los recuerdos para ayudarnos a navegar situaciones nuevas.

Los autores de la nueva teoría: los neurocientíficos Sol de Weinan y James Fitzgerald del Campus de Investigación Janelia del Instituto Médico Howard Hughes, andres saxo del University College London y sus colegas, lo describieron en un trabajo reciente in Nature Neuroscience. Actualiza y amplía la idea bien establecida de que el cerebro tiene dos sistemas de aprendizaje complementarios y vinculados: el hipocampo, que codifica rápidamente nueva información, y la neocorteza, que la integra gradualmente para su almacenamiento a largo plazo.

James McClelland, un neurocientífico cognitivo de la Universidad de Stanford que fue pionero en la idea de sistemas de aprendizaje complementarios en la memoria pero que no formó parte del nuevo estudio, comentó que "aborda aspectos de la generalización" en los que su propio grupo no había pensado cuando propusieron la teoría en el mediados de los años 1990.

Los científicos han reconocido que la formación de la memoria es un proceso de varias etapas desde al menos principios de la década de 1950, en parte a partir de sus estudios de un paciente llamado Henry Molaison, conocido durante décadas en la literatura científica sólo como HM porque sufría convulsiones incontrolables que se originaban en su hipocampo. , los cirujanos lo trataron extirpando la mayor parte de esa estructura cerebral. Después, el paciente parecía bastante normal en muchos aspectos: su vocabulario estaba intacto; conservó sus recuerdos de infancia y recordó otros detalles de su vida antes de la cirugía. Sin embargo, siempre se olvidaba de la enfermera que lo atendía. Durante la década que cuidó de él, tuvo que presentarse de nuevo cada mañana. Había perdido por completo la capacidad de crear nuevos recuerdos a largo plazo.

Los síntomas de Molaison ayudaron a los científicos a descubrir que los nuevos recuerdos se formaban primero en el hipocampo y luego se transfirieron gradualmente a la neocorteza. Durante un tiempo, se asumió ampliamente que esto sucedía con todos los recuerdos persistentes. Sin embargo, una vez que los investigadores comenzaron a ver una número creciente Al analizar ejemplos de recuerdos que seguían dependiendo del hipocampo a largo plazo, quedó claro que algo más estaba sucediendo.

Para comprender la razón detrás de esta anomalía, los autores del nuevo artículo recurrieron a las redes neuronales artificiales, ya que la función de millones de neuronas entrelazadas en el cerebro es increíblemente complicada. Estas redes son "una idealización aproximada de las neuronas biológicas", pero son mucho más simples que las reales, dijo Saxe. Al igual que las neuronas vivas, tienen capas de nodos que reciben datos, los procesan y luego proporcionan resultados ponderados a otras capas de la red. Así como las neuronas se influyen entre sí a través de sus sinapsis, los nodos de las redes neuronales artificiales ajustan sus niveles de actividad en función de las entradas de otros nodos.

El equipo vinculó tres redes neuronales con diferentes funciones para desarrollar un marco computacional al que llamaron modelo profesor-cuaderno-estudiante. La red de profesores representaba el entorno en el que podría encontrarse un organismo; proporcionó aportes de experiencia. La red de cuadernos representó el hipocampo, codificando rápidamente todos los detalles de cada experiencia brindada por el maestro. La red de estudiantes se entrenó en los patrones del maestro consultando lo registrado en el cuaderno. "El objetivo del modelo de estudiante es encontrar neuronas (nodos) y aprender conexiones [describiendo] cómo podrían regenerar su patrón de actividad", dijo Fitzgerald.

Las repetidas repeticiones de recuerdos de la red de cuadernos arrastraron a la red de estudiantes a un patrón general mediante la corrección de errores. Pero los investigadores también notaron una excepción a la regla: si el estudiante estaba entrenado en demasiados recuerdos impredecibles (señales ruidosas que se desviaban demasiado del resto), se degradaba la capacidad del estudiante para aprender el patrón generalizado.

Desde un punto de vista lógico, "esto tiene mucho sentido", afirmó Sun. Imagínese recibir paquetes en su casa, explicó: si el paquete contiene algo útil para el futuro, “como tazas de café y platos”, parece razonable llevarlo a su casa y guardarlo allí permanentemente. Pero si el paquete contiene un disfraz de Spider-Man para una fiesta de Halloween o un folleto sobre una oferta, no hay necesidad de abarrotar la casa con eso. Esos artículos se pueden almacenar por separado o desechar.

El estudio proporciona una convergencia interesante entre los sistemas utilizados en inteligencia artificial y los empleados en el modelado del cerebro. Este es un caso en el que “la teoría de esos sistemas artificiales dio algunas ideas conceptuales nuevas para pensar sobre los recuerdos en el cerebro”, dijo Saxe.

Existen paralelos, por ejemplo, con el funcionamiento de los sistemas computarizados de reconocimiento facial. Pueden comenzar pidiendo a los usuarios que carguen imágenes de ellos mismos en alta definición desde diferentes ángulos. Las conexiones dentro de la red neuronal pueden formar una concepción general de cómo se ve la cara desde diferentes ángulos y con diferentes expresiones. Pero si subes una foto “que contiene la cara de tu amigo, entonces el sistema no puede identificar un mapeo facial predecible entre los dos”, dijo Fitzgerald. Daña la generalización y hace que el sistema sea menos preciso a la hora de reconocer la cara normal.

Estas imágenes activan neuronas de entrada específicas y luego la actividad fluye a través de la red, ajustando los pesos de las conexiones. Con más imágenes, el modelo ajusta aún más los pesos de conexión entre nodos para minimizar los errores de salida.

Pero sólo porque una experiencia sea inusual y no encaje en una generalización, no significa que deba descartarse y olvidarse. Al contrario, puede ser de vital importancia recordar experiencias excepcionales. Esa parece ser la razón por la que el cerebro clasifica sus recuerdos en diferentes categorías que se almacenan por separado: el neocórtex se utiliza para generalizaciones confiables y el hipocampo para excepciones.

Este tipo de investigación crea conciencia sobre la "falibilidad de la memoria humana", dijo McClelland. La memoria es un recurso finito y la biología ha tenido que hacer concesiones para aprovechar al máximo esos recursos limitados. Ni siquiera el hipocampo contiene un registro perfecto de las experiencias. Cada vez que se recuerda una experiencia, hay cambios en los pesos de conexión de la red, lo que hace que los elementos de la memoria se promedien más. Plantea interrogantes sobre las circunstancias bajo las cuales “el testimonio de los testigos presenciales [podría] protegerse del sesgo y la influencia de repetidos ataques de preguntas”, dijo.

El modelo también puede ofrecer ideas sobre cuestiones más fundamentales. "¿Cómo acumulamos conocimientos fiables y tomamos decisiones informadas?" dicho Jaime Antonio, un neurocientífico de la Universidad Estatal Politécnica de California que no participó en el estudio. Muestra la importancia de evaluar los recuerdos para hacer predicciones confiables: muchos datos ruidosos o información poco confiable pueden ser tan inadecuados para entrenar humanos como lo son para entrenar modelos de IA.