Las redes neuronales nos ayudan a comprender cómo el cerebro reconoce los números

Una nueva investigación que utiliza inteligencia artificial sugiere que el sentido numérico en los humanos puede ser aprendido, en lugar de innato. Esta herramienta puede ayudarnos a comprender las discapacidades matemáticas.

13 de julio de 2023 | Gracia Huckins - Traducido de Stanford University HAI

Durante el último medio siglo, los neurocientíficos han logrado avances extraordinarios en la comprensión del cerebro humano insertando cables en los cerebros de animales como gatos, ratas y monos y caracterizando cómo se activan sus neuronas. Aunque estos experimentos no se pueden realizar tan fácilmente en personas, observar las neuronas en animales ha ayudado a los científicos a comprender los fundamentos de fenómenos como las ilusiones ópticas, memoria y drogodependencia.

Pero el cerebro de los animales tiene sus limitaciones. Algunos comportamientos humanos sofisticados, como el razonamiento matemático, están fuera del alcance de los animales, e incluso si se puede entrenar a los animales para que utilicen números, no está claro si aprenden sobre ellos de la misma manera que lo hacen los humanos, dado que no tienen los mismos conocimientos. capacidad para el lenguaje. Entonces, cuando Vinod Menon, profesor de psiquiatría y ciencias del comportamiento de Stanford y miembro de Stanford HAI y el Instituto de Neurociencias Wu Tsai, y Percy Mistry, Un investigador del laboratorio de Menon quería tratar de comprender cómo los niños aprenden los números, pero no recurrieron a la biología. En lugar de ello, decidieron intentar aproximarse al proceso de aprendizaje de los números humanos utilizando una red neuronal profunda.

Las redes neuronales profundas se modelaron originalmente a partir del cerebro y se han utilizado ampliamente para sondear el funcionamiento interno del sistema visual. Entonces, al entrenar una red similar al cerebro para reconocer números, Menon y Mistry pudieron recopilar evidencia sobre el aprendizaje de números en humanos que hubiera sido imposible obtener de otra manera. Sus resultados, publicados en Nature Communications, sugieren que un sentido numérico innato puede no ser tan importante como lo han hecho otros investigadores. propuesto.

Debido a que existen limitaciones a los experimentos neurofisiológicos que pueden realizarse éticamente en humanos, este tipo de investigación podría resultar esencial para comprender las complejas capacidades del cerebro humano, dice Menon. "Es difícil avanzar en la comprensión de los mecanismos neuronales de los procesos cognitivos humanos complejos sin construir modelos como este".

Prueba de 'neuronas numéricas espontáneas'

En un estudio anterior, los investigadores entrenaron una red neuronal profunda para reconocer imágenes y descubrieron, para su sorpresa, que algunas neuronas de la red eran sensibles a los números: respondían con especial fuerza a las imágenes de un número particular de objetos, a pesar de que nunca habían sido entrenados para identificar el número de objetos en una imagen. Estos resultados parecieron dar crédito a la idea de que la numerosidad es, en cierto sentido, innata: que los niños pueden tener un sentido de los números sin que se les enseñe explícitamente sobre ellos, y que el aprendizaje futuro podría depender de ese sentido.

Pero nadie había probado realmente si esas "neuronas numéricas espontáneas" ayudan con el aprendizaje de los números. Para hacerlo, primero habría que tomar una red neuronal entrenada para reconocer objetos, identificar sus neuronas sensibles a los números, volver a entrenar esa red para informar la cantidad de objetos en una imagen y luego ver si esas neuronas ayudan a la red a aprender esa tarea. – que es precisamente lo que hicieron Mistry, Menon y sus colegas.

Descubrieron que el número espontáneo de neuronas no ayudaba en absoluto con el aprendizaje. La mayoría de las neuronas que comenzaron siendo sensibles a los números perdieron esa sensibilidad numérica en el transcurso del entrenamiento o se volvieron sensibles a un número diferente. Y las neuronas que seguían respondiendo a los mismos números no parecían estar haciendo nada particularmente esencial: eliminarlas de la red durante el proceso de aprendizaje no tuvo ningún efecto en el rendimiento final de la red.

Uniendo la IA y la inteligencia humana

Si bien este estudio se realizó íntegramente en computadoras, hay razones para pensar que podría tener algo que decir sobre cómo funcionan los cerebros humanos. El equipo comenzó intencionalmente con una red de reconocimiento de objetos que previamente había demostrado que se parecía a partes del sistema visual del mono y, después del entrenamiento, neuronas sensibles a los números. en la red neuronal se comportaron como neuronas sensibles a los números en el cerebro del mono.

Sin experimentos humanos invasivos, es imposible hacer las mismas comparaciones entre la red y el cerebro humano. Pero el equipo encontró otras formas de atacar el problema. Al observar el conjunto de neuronas sensibles a los números en su conjunto, descubrieron que la red utilizaba dos estrategias diferentes para diferenciar los diferentes números. Una estrategia utilizó una recta numérica lineal, donde los puntos finales (1 y 9) eran fáciles de distinguir, pero los números en el medio (4, 5 y 6) eran más difíciles de distinguir. La segunda estrategia, sin embargo, se basó en el punto medio de la recta numérica, por lo que 4, 5 y 6 se percibieron como muy diferentes entre sí. Este mismo patrón se observa en los humanos a medida que aprenden: a medida que desarrollan su sentido numérico, los niños comienzan siendo sensibles a los números altos y bajos, pero con el tiempo empiezan a utilizar el punto medio de la recta numérica también como punto de referencia. "Fue emocionante observar el surgimiento de representaciones de rectas numéricas similares a las observadas en los niños, aunque no entrenamos explícitamente la red neuronal para hacerlo", dijo Menon.

Sin embargo, sería prematuro concluir que los niños humanos aprenden exactamente de la misma manera que lo hace esta red neuronal. En última instancia, el modelo es “una aproximación muy, muy simple de lo que hace el cerebro, incluso con toda su complejidad”, dice Mistry. Esa simplicidad hace que la red sea más fácil de estudiar y entrenar, pero también limita cuánto puede decirnos sobre la biología humana.

Sin embargo, el modelo hace un trabajo tan impresionante al aproximar el proceso de aprendizaje de números en los niños que Mistry y Menon tienen grandes esperanzas en su futuro. Menon lleva años estudiando la discalculia, una discapacidad que afecta las habilidades numéricas y matemáticas. El objetivo ahora del equipo es utilizar la red para estudiar posibles mecanismos neuronales de la discalculia, implementando esos mecanismos en la red y viendo cómo interfieren con el aprendizaje de números.

“Podemos formular hipótesis sobre diferentes mecanismos que podrían ser posibles causas y evaluar cuáles podrían ser relevantes. Incluso podemos considerar posibles intervenciones”, afirma Mistry. "Podemos utilizar este modelo como zona de pruebas".

The study, “Learning-induced reorganization of number neurons and emergence of numerical representations in a biologically inspired neural network,” published in Nature Communications this June. Other Stanford contributors include postdoctoral fellows Anthony Strock and Ruizhe Liu, and coterm student Griffin Young.

Stanford HAI’s mission is to advance AI research, education, policy and practice to improve the human condition. Learn more.