Un equipo del Instituto de Óptica del Consejo Superior de Investigaciones Científicas (IO-CSIC), junto a científicos del Centre National de la Recherche Scientifique (CNRS), ha desarrollado un innovador modelo matemático que desentraña el funcionamiento de las neuronas en la corteza visual, una región crítica situada en la parte posterior del cerebro encargada de procesar la información visual. Este avance, publicado en el Journal of Neuroscience, abre nuevas posibilidades para el diseño de redes neuronales artificiales que imiten más eficazmente los procesos cerebrales.
Según Marcelo Bertalmío, uno de los autores del estudio, “nuestro modelo proporciona una mejor comprensión de los procesos neuronales, ya que es capaz de explicar una serie de resultados experimentales que no son satisfactorios con enfoques tradicionales”. Este investigador se refiere al modelo clásico propuesto por Hubel y Wiesel en 1959, que describe la organización jerárquica del procesamiento visual. Sin embargo, este enfoque no logra aclarar aspectos fundamentales como el papel específico de las dendritas, componentes esenciales para la recepción y transmisión de impulsos nerviosos.
Los investigadores han llevado a cabo abstracciones matemáticas sobre ciertos procesos neuronales que hasta ahora no se integraban en el modelo clásico debido a su complejidad. “Se pensaba que no era necesario incluir estos factores, ya que se creía que el modelo tradicional podría explicar cualquier fenómeno”, añade Bertalmío.
Avances en Redes Neuronales Artificiales
La importancia de esta investigación radica en su potencial para crear redes neuronales artificiales más precisas, capaces de replicar propiedades cerebrales como la estabilidad ante perturbaciones externas. Una red neuronal artificial (RNA) es un sistema computacional inspirado en la estructura jerárquica y el mecanismo sináptico de las neuronas biológicas. Estas redes permiten a los programas reconocer patrones y resolver problemas comunes en inteligencia artificial, así como aplicar técnicas de machine learning (aprendizaje automático) y deep learning (aprendizaje profundo).
Los investigadores están trabajando actualmente en extender este modelo para incluir variaciones temporales y validarlo con resultados experimentales en neurociencia y percepción visual. Además, buscan aplicarlo en áreas como la visión por computadora.
CSIC Comunicación
comunicacion@csic.es
Si (
No(
