Inteligência Artificial recria espontaneamente o GPS cerebral

O algoritmo de aprendizagem profunda (a rede neural do Google conhecida como “deep-learning”) mimetiza espontaneamente a atividade dos neurônios que informam nossa orientação no espaço. Isso mostra como essa IA pode ser uma valiosa colaboradora para decifrar códigos neurais complexos. Banino e colegas usaram esse algoritmo para simular o treinamento de um rato virtual no rastreamento de sua posição em busca de um objetivo.

O programa gerava espontaneamente padrões de atividade em uma grade virtual de hexágonos, semelhantes aos gerados pelas células de grade – ou neurônios-grade – no cérebro dos mamíferos. O rato simulado foi capaz de usar uma codificação análoga a dessas células para navegar em um labirinto virtual rastreando um alimento, e o fez tão bem que até aprendeu a usar atalhos.

As células de grade foram descobertas em experimentos com ratos reais como necessárias para que o animal rastreie sua própria posição no espaço. Essas células e outros neurônios relacionados à navegação do cérebro, incluindo células de lugar e células de direção da cabeça, são encontradas no e ao redor do hipocampo. No cérebro dos mamíferos, as células de lugar disparam quando o animal está em uma posição particular num ambiente, as células da cabeça disparam quando a cabeça está em uma orientação específica, e as células de grade disparam quando o animal está em pontos sobre uma grade hexagonal virtual projetada sobre o ambiente.

A rede neural de aprendizagem profunda foi capaz de recriar o padrão de grade, confirmando que o cérebro dos mamíferos desenvolveu uma maneira ideal de codificação espacial, que poderá vir a ser a descoberta de um princípio computacional universal de navegação no espaço.

Os autores do estudo testaram a hipótese de que o cérebro usa células de grade para mapear sua posição em um ambiente, integrando no processo informações sobre a velocidade e direção do movimento do corpo. Eles treinaram uma rede de aprendizagem profunda para navegar, fornecendo-lhe dados de simulações de padrões de forrageamento de roedores, incluindo dados da atividade das células de localização e direção da cabeça. Não foi simulada a atividade das células de grade, isto é, um mapeamento sobre grade de hexágonos.

Por fim, testaram o funcionamento do sistema em um rato virtual para verificar como ele o usava para navegar no labirinto onde teria que aprender a chegar a um objetivo específico. Para isso, eles acrescentaram outro programa ao sistema que introduzia as funções de memória e recompensa, necessárias para o aprendizado. O rato simulado logo aprendeu a encontrar seu objetivo por tentativa e erro (figura A, linha azul).

Entretanto, de modo surpreendente, algumas unidades computacionais da rede desenvolveram padrões de disparo semelhantes a células de grade. Enquanto aprendia a navegar em direção a um objetivo usando simulação de células de lugar e de direção da cabeça (Figuras A e B, linhas azuis), caminhos semelhantes foram tomados por um sistema que passou a usar células de grade (Figura A, linha vermelha). Mas quando se abria as portas do labirinto, logo foram encontrados atalhos pelo sistema que usava as células de grade, em uma busca por rotas mais curtas (Figura B, linha vermelha), destacando uma capacidade semelhante à atividade das células de grade do cérebro de mamíferos de promover estratégias flexíveis de navegação. (Se a formação dos padrões de grade fosse impedida, o rato simulado não mais navegaria eficientemente pelo labirinto.)

Banino e colaboradores descobriram que padrões hexagonais de atividade semelhantes a uma grade emergiram espontaneamente nas unidades computacionais – assim como também ocorrem nos cérebros de ratos reais em experimentos de laboratório. Eles notaram também que para que suas unidades ficassem mais parecidas com as do cérebro, ou seja, para fazerem emergir a atividade em forma de grade, era necessário introduzir uma certa quantidade de ruído artificial no sistema.

Esses resultados abrem caminho para a criação de novos algoritmos inteligentes, mas também nos mostra que “deep-learning”, o algoritmo de aprendizagem profunda, é uma ferramenta útil para testar hipóteses sobre o cérebro. Indo mais adiante, eu diria até que se revelou um parceiro insubstituível para abrir novos caminhos na investigação neurocientífica.

Leave a Reply

Your email address will not be published. Required fields are marked *