La dinámica neocortical discreta y los captchas de Blogger.

Si, cuando acabes de leer esta entrada, quisieras dejar un comentario tendrías que demostrar que no eres una máquina. Para ello el sistema te pedirá que identifiques dos imágenes, una fotografía de un número y una palabra distorsionada. Y tú, concentrándote un poco, eso sí, no deberías tener mayor problema en hacerlo. Sin embargo, una máquina no podría. ¿Por qué? Porque nuestro cerebro resuelve categorías y las máquinas, de momento, no pueden. Pero, ¿cómo lo hace? Un estudio reciente arroja algo de luz sobre el asunto.

¿Cómo puedes reconocer la cara de una amiga independientemente de las condiciones de luz, de cómo lleve el pelo o del maquillaje? ¿Cómo las personas que conocían a Dora Maar la reconocían en el retrato que Picasso hizo de ella en 1937 y que abre esta entrada? ¿Cómo es que oímos las mismas palabras independientemente de que las pronuncie un varón o una mujer, un adulto o un niño, gritando o susurrando? El cerebro humano tiene la asombrosa capacidad, aunque estemos tan habituados a ella que nos parece lo más normal del mundo, de convertir una avalancha de datos sensoriales en una serie de categorías y objetos definidos. Esta capacidad de crear invariantes en un mundo cambiante es extremadamente difícil de reproducir en una máquina. Por eso funcionan los captcha.

Brice Bathellier, del Instituto de Investigación en Patología Molecular (Austria), encabeza un estudio que demuestra que son determinadas características de las redes neuronales del cerebro las responsables de la formación de estas categorías. Los resultados se publican en Neuron.

Los investigadores produjeron una serie de sonidos y controlaron la actividad de agrupaciones de neuronas del córtex auditivo mediante microscopía de dos fotones/calcio, una técnica que combina la microscopía de fluorescencia de 2 fotones con los efectos que en la fluorescencia de las tinciones usadas tiene la presencia de iones de calcio y que permite el análisis en tiempo real de circuitos neuronales intactos con una resolución de células individuales. Encontraron que grupos de 50 a 100 neuronas mostraban un número limitado de patrones de actividad en respuesta a los diferentes sonidos.

A continuación seleccionaron dos sonidos base (A, B) que producían diferentes patrones de respuesta y construyeron mezclas (combinaciones lineales aA+bB) de ambos. Cuando el ratio (a/b) de la mezcla se hacía variar continuamente la respuesta no era un cambio continuo en los patrones de actividad de las neuronas sino, por el contrario, una transición brusca.

Este tipo de comportamiento dinámico recuerda el de las redes artificiales con atractores. Una red con atractores es una red que evoluciona hacia un patrón estable con el tiempo. Las redes con atractores se usan en neurociencia computacional para modelar procesos neuronales como la memoria asociativa y el comportamiento motor, así como en métodos de aprendizaje de máquinas de inspiración biológica. Este tipo de redes se había propuesto como solución al problema de la categorización por parte de algunos especialistas en inteligencia artificial.

Experimentos posteriores monitorizando el comportamiento de los ratones confirmaron estos resultados. Se entrenó a un grupo de ratones a discriminar entre dos sonidos. Se les exponía entonces a un tercer sonido y se seguía su reacción. Los experimentadores eran capaces de predecir cuantitativamente el comportamiento de los ratones a partir de los patrones de actividad cortical, dependiendo de si la reacción al tercer sonido era más parecida al primer o al segundo sonido, lo que indicaría una similitud en la percepción.

Estos resultados indicarían que estados de red discretos podrían ser el sustrato para la formación de categorías. Los autores sugieren que la estructura jerárquica de las representaciones discretas podrían ser esenciales para la funciones cognitivas más elaboradas como el procesamiento del lenguaje.

Referencia:

Bathellier B, Ushakova L, & Rumpel S (2012). Discrete neocortical dynamics predict behavioral categorization of sounds. Neuron, 76 (2), 435-49 PMID: 23083744