Pero para que esta señal de enseñanza resolviera el problema de la asignación de créditos sin hacer una pausa en el procesamiento sensorial, su modelo requería otra pieza clave. El equipo de Naud y Richards propuso que las neuronas tienen compartimentos separados en la parte superior e inferior que procesan el código neuronal de formas completamente diferentes.
“[Our model] muestra que realmente puedes tener dos señales, una que sube y la otra que baja, y pueden pasarse una a la otra ”, dijo Naud.
Para hacer esto posible, su modelo postula que las ramas en forma de árbol que reciben entradas en la parte superior de las neuronas solo escuchan ráfagas (la señal de enseñanza interna) para sintonizar sus conexiones y disminuir el error. La sintonía ocurre de arriba hacia abajo, al igual que en la retropropagación, porque en su modelo, las neuronas en la parte superior regulan la probabilidad de que las neuronas debajo de ellas envíen una ráfaga. Los investigadores demostraron que cuando una red tiene más ráfagas, las neuronas tienden a aumentar la fuerza de sus conexiones, mientras que la fuerza de las conexiones tiende a disminuir cuando las señales de ráfaga son menos frecuentes. La idea es que la señal de ráfaga le diga a las neuronas que deben estar activas durante la tarea, fortaleciendo sus conexiones, si al hacerlo disminuye el error. La ausencia de ráfagas le dice a las neuronas que deben estar inactivas y es posible que deban debilitar sus conexiones.
Al mismo tiempo, las ramas en la parte inferior de la neurona tratan las ráfagas como si fueran picos únicos, la señal normal del mundo externo, lo que les permite continuar enviando información sensorial hacia arriba en el circuito sin interrupción.
“En retrospectiva, la idea presentada parece lógica, y creo que esto habla de su belleza”, dijo João Sacramento, neurocientífico computacional de la Universidad de Zurich y ETH Zurich. “Creo que eso es brillante”.
Otros habían intentado seguir una lógica similar en el pasado. Hace veinte años, Konrad Kording de la Universidad de Pensilvania y Peter König de la Universidad de Osnabrück en Alemania propusieron un marco de aprendizaje con neuronas de dos compartimentos. Pero su propuesta carecía de muchos de los detalles específicos del modelo más nuevo que son biológicamente relevantes, y era solo una propuesta: no podían probar que realmente pudiera resolver el problema de la asignación de créditos.
“En aquel entonces, simplemente carecíamos de la capacidad de probar estas ideas”, dijo Kording. Considera que el nuevo artículo es un “trabajo tremendo” y lo seguirá en su propio laboratorio.
Con el poder computacional actual, Naud, Richards y sus colaboradores simularon con éxito su modelo, con neuronas explosivas que desempeñan el papel de la regla de aprendizaje. Demostraron que resuelve el problema de asignación de créditos en una tarea clásica conocida como XOR, que requiere aprender a responder cuando una de dos entradas (pero no ambas) es 1. También demostraron que una red neuronal profunda construida con su regla de explosión podría aproximarse el rendimiento del algoritmo de retropropagación en tareas desafiantes de clasificación de imágenes. Pero todavía hay margen de mejora, ya que el algoritmo de retropropagación era aún más preciso y ninguno de los dos coincide completamente con las capacidades humanas.
“Tiene que haber detalles que no tenemos y tenemos que mejorar el modelo”, dijo Naud. “El objetivo principal del artículo es decir que el tipo de aprendizaje que realizan las máquinas puede aproximarse mediante procesos fisiológicos”.
.