A) Esquema de una retina en el ratón en desarrollo que exhibe ondas retinianas. B) Esquema de los estímulos vistos por el ratón. Crédito: PLoS Computational Biology (2025). Doi: 10.1371/journal.pcbi.1012830
La capacidad de predecir con precisión los movimientos es esencial no solo para humanos y animales, sino también para muchas aplicaciones de IA, desde la conducción autónoma hasta la robótica. Los investigadores de la Universidad Técnica de Munich (TUM) han descubierto que las redes neuronales artificiales pueden realizar esta tarea mejor cuando se entrenan con datos biológicos del desarrollo de sistemas visuales tempranos.
El estudio se publica en PLOS Computational Biology.
Ya sea en ratones, gatos o humanos: incluso antes de que los vertebrados abran los ojos, un programa de entrenamiento incorporado comienza en la retina, independientemente de los estímulos externos. Los patrones de actividad espontánea se extienden en movimientos similares a las ondas a través del tejido neural del ojo.
Esta actividad neuronal, conocida como “ondas retinianas”, coordina el cableado temprano entre la retina y el sistema visual del cerebro. En cierto modo, el ojo comienza a practicar la visión antes de encontrarse con el mundo real.
Los investigadores de TUM ahora han demostrado que las redes neuronales artificiales, que imitan la función del cerebro, también pueden beneficiarse de este tipo de pre-entrenamiento.
“Artificial neural networks are typically trained using data that closely resembles the task they’re intended to perform. When viewed in analogy to how the visual system develops in living organisms, their learning process begins only when the eyes open. We took inspiration from nature and incorporated a pre-training stage, analogous to that in the biological visual system, into the training of neural networks,” says Julijana Gjorgjieva, Professor of Computational Neuroscience en tum.
El capacitación previa conduce a predicciones más rápidas y precisas
En el primer paso, el equipo investigó si la capacitación con ondas retinianas tiene algún impacto en el rendimiento de una red neuronal. Para hacer esto, capacitaron a diferentes redes de diferentes maneras: un grupo de redes se sometió a un pre-entrenamiento utilizando datos de onda retiniana de un mouse.
Posteriormente, estas redes fueron entrenadas utilizando una película animada que simula la perspectiva de un mouse que se ejecuta a través de un corredor estrecho forrado con varios patrones geométricos. Otro grupo de redes fue entrenado utilizando solo la película animada, sin ningún entrenamiento previo.
La tarea era la misma para todas las redes: tuvieron que predecir con precisión cómo evolucionarían los patrones visuales en la pared del corredor simulado. Las redes previamente entrenadas con ondas retinianas realizaron la tarea más rápida y más precisa que las que no tienen tal pre-entrenamiento.
Para descartar la posibilidad de que el mejor rendimiento se debió simplemente a un período de entrenamiento más largo, los investigadores realizaron otra ronda de experimentos en los que acortaron el tiempo dedicado a entrenar las redes previamente entrenadas en la animación. Esto aseguró que todas las redes tenían la misma duración general de entrenamiento. Incluso entonces, las redes previamente capacitadas superaron a las otras tanto en velocidad como en precisión.
En un paso final, el equipo aumentó el nivel de dificultad. Entrenaron a las redes utilizando imágenes del mundo real capturados desde la perspectiva de un gato roaming con una cámara de acción, que muestra lo que ve el gato.
La calidad del video fue más baja que en la animación, y los movimientos fueron más complejos. Sin embargo, una vez más, las redes que habían sido pre-entrenadas con ondas retinianas superaron a todas las demás.
Más información: Lilly May et al, las redes neuronales artificiales previas al entrenamiento con actividad retiniana espontánea mejoran la predicción del movimiento en escenas naturales, Biología Computacional PLoS (2025). Doi: 10.1371/journal.pcbi.1012830
Proporcionado por la Universidad Técnica de Munich
Cita: Cómo la inteligencia artificial puede aprender de los ratones (2025, 12 de junio) Recuperado el 12 de junio de 2025 de https://techxplore.com/news/2025-06-artificial-intelligence-mice.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
