El cerebro piensa en paralelo, como los superordenadores, y dispone de una infraestructura en la nube para procesar la información. Cada neurona actúa como los nodos de las redes de aprendizaje profundo de la IA.

La computación paralela es una técnica de programación que permite ejecutar simultáneamente muchas instrucciones. Parte de la base de que los problemas grandes hay que dividirlos primero en problemas pequeños para luego resolverlos a la vez (en paralelo).

Esta técnica de programación utiliza múltiples recursos computacionales y se usa particularmente en los superordenadores, conjuntos de poderosos procesadores unidos entre sí para aumentar su potencia de trabajo y rendimiento.

Investigadores del Blue Brain Project han descubierto ahora que el cerebro actúa como una unidad de computación paralela cuando pensamos. Han comprobado que las terminales de las neuronas llamadas dendritas trabajan juntas de forma dinámica según la carga de trabajo a realizar.

Las dendritas son prolongaciones de las neuronas, en forma de filamentos, que reciben los impulsos de otras neuronas y los reenvían a otras neuronas para posibilitar el procesamiento de la información.

Igual que un superordenador

Los investigadores han podido observar que una neurona puede gestionar diferentes aspectos de una señal entrante múltiple (paralela), de la misma forma que lo hace un superordenador.

También que cada unidad de computación paralela del cerebro (neurona) puede aprender por sí misma a ajustar la señal que debe replicar a otra neurona, en función de la naturaleza de la señal entrante.

Además, cada neurona actúa de la misma forma que lo hacen los nodos de las redes de aprendizaje profundo explotadas en los modelos actuales de inteligencia artificial, señalan los investigadores.

El sistema de pensamiento dispone también de una especie de infraestructura de computación en la nube, que permite a una neurona compartir dinámicamente con otras neuronas (otras unidades de cómputo independientes) tanta actividad como la que demanda la carga de trabajo de la señal entrante.

Por último, esta investigación muestra cómo estas unidades de procesamiento paralelo influyen en el aprendizaje: la forma en que una neurona aprende, depende de la cantidad y la ubicación de los procesadores paralelos, que a su vez dependen de las señales enviadas por otras neuronas.

Por ejemplo, algunas sinapsis no aprenden independientemente cuando el nivel de la señal de entrada es bajo, pero comienzan a hacerlo cuando la señal es más alta, han podido determinar los investigadores.

La fuerza de una sinapsis determina así la intensidad con la que una neurona percibe la señal eléctrica de un vecino. Esta fuerza es modificada por el proceso de aprendizaje. Una “matriz de conectividad” determina cómo estas sinapsis se comunican entre sí.

Modelo virtual

En un artículo publicado en Cell Reports, los investigadores explican que realizaron su análisis en las células de la corteza cerebral de un roedor virtual, diseñado por el equipo del Blue Brain Project.

Los investigadores explican que otros tipos de neuronas reales, no corticales o humanas, deberían funcionar de la misma manera que las neuronas del modelo virtual.

Los investigadores comparan sus resultados con el funcionamiento de algunas tecnologías informáticas actuales y concluyen que  las dendritas actúan como unidades de computación paralelas.

“En el Proyecto Blue Brain, este enfoque matemático nos permite determinar a qué nivel de complejidad necesitamos modelar las redes corticales en nuestra reconstrucción digital y simulación cerebral “, dice Marc-Oliver Gewaltig, jefe de la división de neurociencia de la simulación del pryecto Blue Brain, en un comunicado.

Potencial postsináptico

Hasta ahora, los algoritmos de aprendizaje convencionales (como los utilizados en aplicaciones de inteligencia artificial) presuponen que las neuronas son unidades estáticas que simplemente integran y escalan las señales entrantes.

Sin embargo, esta investigación demuestra que los procesos de pensamiento son más complejos: el número y el tamaño de las subunidades independientes pueden ser controlados por una señal entrante de intensidad variable o por una forma particular de potencial postsináptico inhibidor llamado “inhibición de derivación” (sinapsis que actúa como una derivación eléctrica).

Los investigadores creen que este control temporal de la compartimentación es un potente mecanismo cerebral para aprender las características de una señal entrante a través de la agrupación de dendritas.

“Nuestros resultados muestran que el número de procesadores paralelos varía con el nivel de estas señales de fondo, lo que sugiere que la misma neurona podría tener varias funciones computacionales en diferentes estados cerebrales”, señala el autor principal, Willem Wybo.

¿Invento humano?

“Esta observación es emocionante. Con estos nuevos conceptos, podemos comenzar a buscar algoritmos que exploten los rápidos cambios en el emparejamiento de unidades de procesamiento. Esto abrirá nuevas perspectivas sobre esta pregunta fundamental: cómo el cerebro realiza los cálculos”, concluye Marc-Oliver Gewaltig.

Hasta ahora se ha creído que el único denominador común entre un cerebro y un ordenador consiste en el almacenamiento y procesamiento de la información para ejecutar tareas cognitivas.

Esta investigación revela un paralelismo adicional que tiene que ver con la manera de procesar la información, un resultado que ayudará a comprender mejor cómo piensa el cerebro.

También pone de manifiesto que el invento humano de la computación paralela ya existía en el cerebro antes de que lo replicáramos en una máquina en los años 50 del siglo pasado.

Tendencias 21