O Instituto de Neurociências Wu Tsai de Stanford desenvolveu um modelo de IA chamado rede neural artificial profunda topográfica (TDANN) que imita a organização da informação visual no cérebro. Este modelo, que utiliza dados naturalistas e restrições espaciais, replicou com sucesso os mapas funcionais do cérebro e poderá impactar significativamente tanto a pesquisa em neurociência quanto a inteligência artificial. As descobertas, publicadas após sete anos de pesquisa, destacam o potencial para uma IA mais eficiente em termos energéticos e experiências aprimoradas de neurociência virtual que poderiam revolucionar os tratamentos médicos e as capacidades de processamento visual da IA.
Os pesquisadores de Stanford desenvolveram uma IA que replica respostas semelhantes às do cérebro a estímulos visuais, potencialmente transformando a neurociência e o desenvolvimento da IA, com implicações para a eficiência energética e os avanços médicos.
Uma equipe do Instituto de Neurociências Wu Tsai de Stanford alcançou um avanço significativo no uso de IA para imitar a maneira como o cérebro processa informações sensoriais para compreender o mundo, abrindo caminho para avanços na neurociência virtual.
Observe os segundos passando em um relógio e, em regiões visuais do seu cérebro, grupos vizinhos de neurônios seletivos de ângulo dispararão em sequência à medida que o ponteiro dos segundos gira em torno do mostrador do relógio. Essas células formam belos mapas em “catavento”, com cada segmento representando uma percepção visual de um ângulo diferente. Outras áreas visuais do cérebro contêm mapas de características visuais mais complexas e abstratas, como a distinção entre imagens de rostos familiares e lugares, que ativam “vizinhanças” neurais distintas.
Esses mapas funcionais podem ser encontrados em todo o cérebro, encantando e confundindo os neurocientistas, que há muito se perguntam por que o cérebro deveria ter desenvolvido um layout semelhante a um mapa que apenas a ciência moderna pode observar.
Para resolver esta questão, a equipe de Stanford desenvolveu um novo tipo de algoritmo de IA – uma rede neural artificial profunda topográfica (TDANN) – que usa apenas duas regras: entradas sensoriais naturalistas e restrições espaciais nas conexões; e descobriu que prevê com sucesso as respostas sensoriais e a organização espacial de múltiplas partes do sistema visual do cérebro humano.
Sete anos de pesquisa culminam em publicação
Após sete anos de extensa pesquisa, as descobertas foram publicadas em um novo artigo – “Uma estrutura unificadora para organização funcional no córtex visual ventral inicial e superior” – na revista Neurônio.
A equipe de pesquisa foi liderada pelo acadêmico do Instituto de Neurociências Wu Tsai, Dan Yamins, professor assistente de psicologia e ciência da computação; e
Afiliado do instituto Kalanit Grill-Spector, professor de psicologia.
Ao contrário das redes neurais convencionais, o TDANN incorpora restrições espaciais, organizando os seus neurónios virtuais numa “folha cortical” bidimensional e exigindo que os neurónios próximos partilhem respostas semelhantes à entrada sensorial. À medida que o modelo aprendia a processar imagens, essa estrutura topográfica fez com que ele formasse mapas espaciais, replicando como os neurônios do cérebro se organizam em resposta a estímulos visuais. Especificamente, o modelo replicou padrões complexos, como as estruturas catavento no córtex visual primário (V1) e os aglomerados de neurônios no córtex temporal ventral superior (VTC) que respondem a categorias como rostos ou lugares.
Eshed Margalit, autor principal do estudo, que completou seu doutorado trabalhando com Yamins e Grill-Spector, disse que a equipe usou abordagens de aprendizagem auto-supervisionadas para ajudar o precisão de modelos de treinamento que simulam o cérebro.
“Provavelmente é mais parecido com o modo como os bebês estão aprendendo sobre o mundo visual”, disse Margalit. “Não acho que inicialmente esperávamos que isso tivesse um impacto tão grande na precisão dos modelos treinados, mas você realmente precisa acertar a tarefa de treinamento da rede para que ela seja um bom modelo do cérebro.”
Implicações para a neurociência e a IA
O modelo totalmente treinável ajudará os neurocientistas a compreender melhor as regras de como o cérebro se organiza, seja para a visão, como neste estudo, ou para outros sistemas sensoriais, como a audição.
“Quando o cérebro está tentando aprender algo sobre o mundo – como ver dois instantâneos de uma pessoa – ele coloca neurônios que respondem de forma semelhante em proximidade no cérebro e formam mapas”, disse Grill-Spector, que é Susan S. e William. H. Hindle Professor da Escola de Humanidades e Ciências. “Acreditamos que esse princípio também deve ser traduzível para outros sistemas.”
Esta abordagem inovadora tem implicações significativas tanto para a neurociência quanto para a inteligência artificial. Para os neurocientistas, o TDANN fornece uma nova lente para estudar como o córtex visual se desenvolve e opera, potencialmente transformando os tratamentos para distúrbios neurológicos. Para a IA, os insights derivados da organização do cérebro podem levar a sistemas de processamento visual mais sofisticados, semelhantes a ensinar os computadores a “ver” como os humanos.
As descobertas também podem ajudar a explicar como o cérebro humano funciona com uma eficiência energética tão estelar. Por exemplo, o cérebro humano pode computar um bilhão de bilhões de operações matemáticas com apenas 20 watts de potência, comparado com um supercomputador que requer um milhão de vezes mais energia para fazer a mesma matemática. As novas descobertas enfatizam que os mapas neuronais – e as restrições espaciais ou topográficas que os impulsionam – provavelmente servem para manter a ligação entre os 100 mil milhões de neurónios do cérebro tão simples quanto possível. Esses insights podem ser fundamentais para projetar sistemas artificiais mais eficientes, inspirados na elegância do cérebro.
“A IA é limitada pelo poder”, disse Yamins. “No longo prazo, se as pessoas soubessem como operar sistemas artificiais com um consumo de energia muito menor, isso poderia impulsionar o desenvolvimento da IA.”
Uma IA mais eficiente em termos energéticos poderia ajudar a desenvolver a neurociência virtual, onde as experiências poderiam ser realizadas mais rapidamente e em maior escala. Em seu estudo, os pesquisadores demonstraram como prova de princípio que sua rede neural artificial topográfica profunda reproduzia respostas semelhantes às do cérebro a uma ampla gama de estímulos visuais naturalistas, sugerindo que tais sistemas poderiam, no futuro, ser usados como playgrounds rápidos e baratos. para prototipagem de experimentos de neurociência e identificação rápida de hipóteses para testes futuros.
Experimentos virtuais de neurociência também poderiam promover o cuidado médico humano. Por exemplo, treinar melhor um sistema visual artificial da mesma forma que um bebê aprende visualmente sobre o mundo pode ajudar uma IA a ver o mundo como um ser humano, onde o centro do olhar é mais nítido do que o resto do campo de visão. Outra aplicação poderia ajudar a desenvolver próteses para a visão ou simular exatamente como doenças e lesões afetam partes do cérebro.
“Se você puder fazer coisas como fazer previsões que ajudarão a desenvolver dispositivos protéticos para pessoas que perderam a visão, acho que isso será realmente algo incrível”, disse Grill-Spector.
Referência: “Uma estrutura unificadora para organização funcional no córtex visual ventral inicial e superior” por Eshed Margalit, Hyodong Lee, Dawn Finzi, James J. DiCarlo, Kalanit Grill-Spector e Daniel LK Yamins, 10 de maio de 2024, Neurônio.
DOI: 10.1016/j.neuron.2024.04.018
