Optimización de redes de picos mediante estadísticas de población (SNOPS): un marco impulsado por el aprendizaje automático que puede personalizar de forma rápida y precisa modelos que reproducen la actividad para imitar lo que se observa en el cerebro

La construcción de modelos de redes neuronales masivas que replican la actividad del cerebro ha sido durante mucho tiempo una piedra angular de los esfuerzos de la neurociencia computacional para comprender las complejidades de la función cerebral. Estos modelos, que suelen ser intrincados, son esenciales para comprender cómo las redes neuronales dan lugar a las funciones cognitivas. Sin embargo, optimizar los parámetros de estos modelos para imitar con precisión la actividad cerebral observada ha sido históricamente una operación difícil y que requiere muchos recursos y mucho tiempo y conocimientos especializados.

Una nueva investigación de IA de la Universidad Carnegie Mellon y la Universidad de Pittsburgh presenta un marco impulsado por el aprendizaje automático llamado Spiking Network Optimization using Population Statistics (SNOPS) que tiene el potencial de transformar este proceso por completo. SNOPS ha sido desarrollado por un equipo interdisciplinario de académicos de la Universidad Carnegie Mellon y la Universidad de Pittsburgh.

Gracias a la automatización de la personalización del marco, los modelos de redes de picos pueden replicar con mayor fidelidad la variabilidad de toda la población observada en grabaciones neuronales a gran escala. En neurociencia, los modelos de redes de picos, que imitan la biofísica de los circuitos neuronales, son instrumentos extremadamente útiles. Por otro lado, su complejidad presenta con frecuencia obstáculos formidables. El comportamiento de estas redes es extremadamente sensible a los parámetros del modelo, lo que hace que la configuración sea difícil e impredecible.

SNOPS automatiza el proceso de optimización para abordar estos problemas directamente. La creación de estos modelos ha sido tradicionalmente un proceso manual que requiere mucho tiempo y experiencia en el dominio. El enfoque SNOPS encuentra automáticamente una gama más amplia de configuraciones de modelos que son consistentes con la actividad cerebral, además de ser más rápido y más potente. Esta característica permite estudiar el comportamiento del modelo con mayor detalle y revela regímenes de actividad que de otro modo podrían pasar desapercibidos.

La capacidad de SNOPS para combinar datos empíricos y modelos computacionales es una de sus características más importantes. Utiliza estadísticas de población de amplios registros neuronales para ajustar los parámetros del modelo de manera que coincidan con los patrones de actividad real. El uso de SNOPS en el estudio sobre registros cerebrales de las cortezas prefrontal y visual de monos macacos demostró esto. Los hallazgos han demostrado la necesidad de métodos más complejos de ajuste de modelos al exponer limitaciones no identificadas de los modelos de redes de picos que ya se utilizan.

La creación de SNOPS es una prueba de la eficacia de la cooperación interdisciplinaria. Al combinar las habilidades de los modeladores, los científicos computacionales basados ​​en datos y los experimentadores, el equipo de estudio pudo desarrollar una herramienta que, además de ser única, es útil para la comunidad de neurociencia en general.

SNOPS tiene el potencial de tener un gran impacto en la neurociencia computacional en el futuro. Debido a que es de código abierto, los investigadores de todo el mundo pueden usarlo y mejorarlo, lo que puede generar nuevos conocimientos sobre cómo funciona el cerebro. Con SNOPS, se puede encontrar fácilmente una configuración que capture todos los aspectos necesarios de la actividad cerebral.

En conclusión, SNOPS ofrece un método automatizado y potente para modificar modelos, lo que supone un avance significativo en la creación de modelos neuronales a gran escala. A través de SNOPS, se puede comprender mejor la complejidad de la función cerebral y, en última instancia, avanzar en la comprensión del órgano más complejo del cuerpo humano al cerrar la brecha entre los datos empíricos y los modelos informáticos.

Echa un vistazo a la PapelTodo el crédito por esta investigación corresponde a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo y únete a nuestro Canal de Telegram y LinkedIn Gr¡Arriba!. Si te gusta nuestro trabajo, te encantará nuestro hoja informativa..

No olvides unirte a nuestro Subreddit con más de 50 000 millones de usuarios

⏩ ⏩ SEMINARIO WEB GRATUITO SOBRE IA: ‘SAM 2 para video: cómo optimizar sus datos’ (miércoles 25 de septiembre, 4:00 a. m. a 4:45 a. m. EST)