All-TNNS son mejores sesgos espaciales aproximados en el comportamiento visual humano. Crédito: Naturaleza del comportamiento humano (2025). Doi: 10.1038/s41562-025-02220-7
Los modelos de aprendizaje profundo, como las redes neuronales convolucionales (CNN) y las redes neuronales recurrentes (RNN) están diseñados para emular en parte el funcionamiento y la estructura de las redes neuronales biológicas. Como resultado, además de abordar varios problemas computacionales del mundo real, podrían ayudar a los neurocientíficos y psicólogos a comprender mejor las bases de procesos sensoriales o cognitivos específicos.
Investigadores de la Universidad de Osnabrück, Freie Universität Berlin y otros institutos desarrollaron recientemente una nueva clase de redes neuronales artificiales (ANN) que podría imitar el sistema visual humano mejor que los CNN y otros algoritmos de aprendizaje profundo existentes. Sus técnicas computacionales inspiradas en el sistema visual recién propuestas, denominadas redes neuronales totalmente topográficas (todas las TNN), se introducen en un documento publicado en la naturaleza comportamiento humano.
“Anteriormente, los modelos más poderosos para comprender cómo los procesos del cerebro se derivaban la información visual de los modelos de visión de IA”, dijo a Tech Xplore del Dr. Tim Kietzmann, autor principal del documento.
“Estos son a menudo de naturaleza convolucional, un hack de aprendizaje automático que permite que las redes neuronales correspondientes busquen exactamente la misma característica en todas partes en la entrada visual. Este enfoque es muy poderoso: lo que aprende en una ubicación del espacio puede transferirse a todos los demás. Sin embargo, esto es algo que el cerebro no puede hacer (el cerebro no puede ‘copiar’ y ‘pegar’ información de una ubicación de la corteza a otra a otra)”.
Además de realizar algunas acciones que el cerebro de los primates es incapaz de realizar, los CNN también organizan información de manera diferente a las redes neuronales biológicas. En contraste con los CNN, el cerebro está organizado retinotópicamente, lo que significa que las señales visuales viajan desde la retina a la corteza visual (una región de la capa externa del cerebro que se sabe que procesa la información visual).
“El cerebro también exhibe una relación sistemática entre los tipos de características a las que está respondiendo y la ubicación en la que las está buscando”, dijo Kietzmann.
“Esta interrelación del espacio y la característica a lo largo de la superficie cortical es un aspecto esencial del procesamiento visual, pero, como se indicó anteriormente, esta característica no se considera en el aprendizaje automático. Para resolver esta deficiencia, desarrollamos una clase de modelo biológicamente más realista ‘todas las redes neuronales topográficas,’ en las que la selección de características es espacialmente organizada en una ‘Hoja cortical,’ IE, una superficie 2D en las características vecinas está en vecinos, pero es una selección de características más grande, pero es víctima de la característica.
La mayoría de los enfoques computacionales comúnmente utilizados para modelar cómo el sistema visual humano procesa las imágenes naturales se basan en redes neuronales profundas (DNN), como los CNN. Estos son modelos poderosos que pueden ser entrenados para clasificar los datos visuales, como los escaneos de imágenes cerebrales, o para identificar objetos específicos en las imágenes.
“El problema con estos modelos es que a menudo están bastante alejados de la biología, y los modelos ML más nuevos, a pesar de ser más potentes, también dejan de ser mejores modelos de procesamiento visual en el cerebro (una relación que se mantuvo en el pasado)”, explicó Kietzmann.
“En una serie de documentos, mi laboratorio demuestra formas en que podemos cambiar los modelos ML para que sean mejores modelos de biología. Por ejemplo, entrenando en mejores conjuntos de datos de imágenes, al incluir la conectividad recurrente en la arquitectura de la red, considerando qué tarea deben capacitarse los modelos, y más recientemente, considerando que el cerebro tiene detectores de características alineados a través de la superficie cortical”.
Kietzmann y sus colegas demostraron que los nuevos modelos que desarrollaron, basados en (todos los TNN), reflejan el sistema visual humano más estrechamente que los CNN y otros DNN. Esto se debe a que no solo replican los principios que sustentan la organización de la corteza visual, sino que también capturan los patrones de comportamiento humano mejor que los modelos desarrollados anteriormente.
En el futuro, todos los TNN podrían usarse para llevar a cabo estudios de neurociencia y psicología, potencialmente arrojando nueva luz sobre las bases neurales del sistema visual humano. Por ejemplo, podrían ayudar a comprender mejor cómo la disposición de la selectividad de las características en la corteza, también conocida como topografía, influye en la percepción y el comportamiento humanos.
“Actualmente estamos tratando de mejorar la capacitación para ser más eficiente en términos de rendimiento de la tarea, ya que las redes topográficas son ricas en parámetros, en comparación con sus homólogos convolucionales”, agregó Kietzmann.
“Además, actualmente necesitamos dirigir los modelos hacia la selectividad de características suaves en todo el espacio, una característica clave de la topografía cortical. Sin embargo, la biología probablemente ha desarrollado mecanismos implícitos que hacen que la selectividad cortical sea suave. Descubrir qué aspectos permiten que esto suceda es un área principal de investigación a la que esperamos poder contribuir”.
Escrito para usted por nuestro autor Ingrid Fadellieditado por Robert Egan
—Este artículo es el resultado de un trabajo humano cuidadoso. Confiamos en lectores como usted para mantener vivo el periodismo científico independiente. Si este informe le importa, considere un donación (especialmente mensual). Obtendrá una cuenta sin anuncios como agradecimiento.
Más información: Zejin Lu et al, redes topográficas de extremo a extremo como modelos de formación de mapas corticales y comportamiento visual humano, comportamiento humano de la naturaleza (2025). Dos: 10.1038/s41562-025-02220-7.
© 2025 Science X Network
Cita: Las redes neuronales totalmente topográficas imitan más de cerca el sistema visual humano (2025, 20 de junio) recuperado el 20 de junio de 2025 de https://techxplore.com/news/2025-06-topographic-neural-networks-mimic-human.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.
