A utilidade de uma memória orienta onde o cérebro a salva | Revista Quanta

A memória não representa um único mistério científico; são muitos deles. Neurocientistas e psicólogos passaram a reconhecer vários tipos de memória que coexistem em nosso cérebro: memórias episódicas de experiências passadas, memórias semânticas de fatos, memórias de curto e longo prazo e muito mais. Freqüentemente, eles têm características diferentes e até parecem estar localizados em partes diferentes do cérebro. Mas nunca ficou claro qual característica de uma memória determina como ou por que ela deveria ser classificada dessa maneira.

Agora, uma nova teoria apoiada por experiências que utilizam redes neurais artificiais propõe que o cérebro pode estar a ordenar memórias avaliando a probabilidade de serem úteis como guias no futuro. Em particular, sugere que muitas memórias de coisas previsíveis, desde factos a experiências recorrentes úteis – como o que comemos regularmente ao pequeno-almoço ou a nossa caminhada para o trabalho – são guardadas no neocórtex do cérebro, onde podem contribuir para generalizações sobre o mundo. Memórias com menor probabilidade de serem úteis – como o sabor daquela bebida única que você tomou naquela festa – são mantidas no banco de memória em forma de cavalo-marinho chamado hipocampo. Segregar ativamente as memórias desta forma com base na sua utilidade e generalização pode otimizar a fiabilidade das memórias para nos ajudar a navegar em situações novas.

Os autores da nova teoria – os neurocientistas Sol de Weinan e James Fitzgerald do Janelia Research Campus do Howard Hughes Medical Institute, André Saxe da University College London e seus colegas - descreveram em um artigo recente in Nature Neuroscience. Actualiza e expande a ideia bem estabelecida de que o cérebro tem dois sistemas de aprendizagem interligados e complementares: o hipocampo, que codifica rapidamente novas informações, e o neocórtex, que gradualmente as integra para armazenamento a longo prazo.

James McClelland, um neurocientista cognitivo da Universidade de Stanford que foi pioneiro na ideia de sistemas de aprendizagem complementares na memória, mas não fez parte do novo estudo, observou que ele “aborda aspectos de generalização” que seu próprio grupo não havia pensado quando propôs a teoria no meados da década de 1990.

Os cientistas reconheceram que a formação da memória é um processo de vários estágios, pelo menos desde o início da década de 1950, em parte a partir dos estudos de um paciente chamado Henry Molaison – conhecido durante décadas na literatura científica apenas como HM, porque sofria de convulsões incontroláveis ​​que se originavam no hipocampo. , os cirurgiões o trataram removendo a maior parte da estrutura cerebral. Depois disso, o paciente parecia bastante normal em muitos aspectos: seu vocabulário estava intacto; ele manteve suas memórias de infância e relembrou outros detalhes de sua vida antes da cirurgia. Porém, ele sempre se esquecia da enfermeira que cuidava dele. Durante a década em que cuidou dele, ela teve que se apresentar novamente todas as manhãs. Ele havia perdido completamente a capacidade de criar novas memórias de longo prazo.

Os sintomas de Molaison ajudaram os cientistas a descobrir que novas memórias se formaram primeiro no hipocampo e depois foram gradualmente transferidas para o neocórtex. Por um tempo, foi amplamente assumido que isso acontecia com todas as memórias persistentes. No entanto, quando os investigadores começaram a ver uma número crescente de exemplos de memórias que permaneceram dependentes do hipocampo no longo prazo, ficou claro que algo mais estava acontecendo.

Para compreender a razão por detrás desta anomalia, os autores do novo artigo recorreram às redes neurais artificiais, uma vez que a função de milhões de neurónios entrelaçados no cérebro é incompreensivelmente complicada. Estas redes são “uma idealização aproximada de neurónios biológicos”, mas são muito mais simples do que as redes reais, disse Saxe. Assim como os neurônios vivos, eles possuem camadas de nós que recebem dados, os processam e depois fornecem saídas ponderadas para outras camadas da rede. Assim como os neurônios influenciam uns aos outros através de suas sinapses, os nós das redes neurais artificiais ajustam seus níveis de atividade com base nas entradas de outros nós.

A equipe conectou três redes neurais com funções diferentes para desenvolver uma estrutura computacional que chamaram de modelo professor-caderno-aluno. A rede de professores representava o ambiente em que um organismo poderia se encontrar; forneceu informações de experiência. A rede de cadernos representava o hipocampo, codificando rapidamente todos os detalhes de cada experiência proporcionada pelo professor. A rede de alunos treinou nos padrões do professor consultando o que estava registrado no caderno. “O objetivo do modelo do aluno é encontrar neurônios – nós – e aprender conexões [descrevendo] como eles poderiam regenerar seu padrão de atividade”, disse Fitzgerald.

As repetidas repetições de memórias da rede de notebooks arrastaram a rede dos alunos para um padrão geral por meio da correção de erros. Mas os investigadores também notaram uma excepção à regra: se o aluno fosse treinado com demasiadas memórias imprevisíveis – sinais ruidosos que se desviavam demasiado do resto – isso degradava a capacidade do aluno de aprender o padrão generalizado.

Do ponto de vista lógico, “isso faz muito sentido”, disse Sun. Imagine receber pacotes em sua casa, explicou ele: Se o pacote contém algo útil para o futuro, “como canecas e pratos”, parece razoável trazê-lo para sua casa e mantê-lo lá permanentemente. Mas se a embalagem contiver uma fantasia de Homem-Aranha para uma festa de Halloween ou um folheto em promoção, não há necessidade de bagunçar a casa com ela. Esses itens podem ser armazenados separadamente ou jogados fora.

O estudo fornece uma convergência interessante entre os sistemas utilizados na inteligência artificial e aqueles empregados na modelagem do cérebro. Este é um exemplo em que “a teoria desses sistemas artificiais deu algumas novas ideias conceituais para pensar sobre as memórias no cérebro”, disse Saxe.

Existem paralelos, por exemplo, com o funcionamento dos sistemas computadorizados de reconhecimento facial. Eles podem começar solicitando que os usuários carreguem imagens de alta definição de si mesmos de diferentes ângulos. As conexões dentro da rede neural podem montar uma concepção geral da aparência do rosto de diferentes ângulos e com diferentes expressões. Mas se acontecer de você enviar uma foto “contendo o rosto do seu amigo, o sistema não será capaz de identificar um mapeamento facial previsível entre os dois”, disse Fitzgerald. Isso prejudica a generalização e torna o sistema menos preciso no reconhecimento da face normal.

Essas imagens ativam neurônios de entrada específicos e a atividade flui pela rede, ajustando os pesos das conexões. Com mais imagens, o modelo ajusta ainda mais os pesos das conexões entre os nós para minimizar erros de saída.

Mas só porque uma experiência é incomum e não se enquadra numa generalização, isso não significa que deva ser descartada e esquecida. Pelo contrário, pode ser de vital importância relembrar experiências excepcionais. Parece ser por isso que o cérebro classifica as suas memórias em diferentes categorias que são armazenadas separadamente, sendo o neocórtex utilizado para generalizações fiáveis ​​e o hipocampo para exceções.

Este tipo de investigação aumenta a consciência sobre a “falibilidade da memória humana”, disse McClelland. A memória é um recurso finito e a biologia teve que se comprometer para fazer o melhor uso dos recursos limitados. Mesmo o hipocampo não contém um registro perfeito de experiências. Cada vez que uma experiência é recuperada, há mudanças nos pesos de conexão da rede, fazendo com que os elementos da memória fiquem mais calculados. Levanta questões sobre as circunstâncias sob as quais “os depoimentos de testemunhas oculares [poderiam] ser protegidos de preconceitos e influência de repetidos ataques de perguntas”, disse ele.

O modelo também pode oferecer insights sobre questões mais fundamentais. “Como construímos conhecimento confiável e tomamos decisões informadas?” disse Tiago Antônio, neurocientista da Universidade Estadual Politécnica da Califórnia que não esteve envolvido no estudo. Isso mostra a importância de avaliar memórias para fazer previsões confiáveis ​​– muitos dados ruidosos ou informações não confiáveis ​​podem ser tão inadequados para treinar humanos quanto para treinar modelos de IA.