Os cientistas cognitivos estão modelando o funcionamento interno do cérebro humano usando simulações de computador, mas muitos modelos atuais tendem a ser imprecisos. Pesquisadores da Unidade de Neurorobótica Cognitiva da Universidade de Pós-Graduação do Instituto de Ciência e Tecnologia de Okinawa (OIST) desenvolveram um modelo de computador inspirado por mecanismos cerebrais biológicos conhecidos, modelar como o cérebro aprende e reconhece novas informações e, em seguida, faz previsões sobre as entradas sensoriais recebidas.

O modelo pode permitir que os robôs se "socializem", prevendo e imitando os comportamentos uns dos outros. Também pode ajudar a revelar as bases cognitivas do Transtorno do Espectro do Autismo.

"Nosso conhecimento do passado informa nossas expectativas para o presente, "disse o professor Jun Tani, um co-autor do novo estudo, publicado em Computação Neural . "Contudo, frequentemente encontramos situações que desafiam nossas expectativas. Estamos desenvolvendo modelos que podem lidar com a imprevisibilidade da vida cotidiana. "

Tani e seu colaborador, ex-bolsista de pós-doutorado do OIST Ahmadreza Ahmadi, trabalhou com um modelo chamado rede neural recorrente (RNN). Seu RNN baseia-se na codificação preditiva, uma teoria que propõe que o cérebro está continuamente fazendo previsões sobre a entrada de informações sensoriais, como sons e imagens. Erros - discrepâncias entre as previsões do cérebro e a realidade - são propagados por meio de camadas de redes de processamento. Este processo de "retropropagação" ajuda o RNN a se adaptar a eventos que ocorrem de forma irregular, permitindo-lhe prever futuras entradas sensoriais.

Entre Ordem e Aleatoriedade

Redes neurais eficazes cruzam a linha entre a ordem e a aleatoriedade. Para otimizar seu modelo, os pesquisadores introduziram um parâmetro denominado "meta prior" no processo de aprendizagem. Uma configuração mais próxima de uma gerou uma explicação mais certa, mas complexa, para informações sensoriais detalhadas, enquanto uma configuração mais próxima de zero reduziu a complexidade, permitindo mais incerteza.

Tani e sua equipe treinaram seu RNN com dados sequenciais que tinham regularidade, embora também contivessem alguma aleatoriedade. Eles também usaram seu modelo para programar um robô para aprender a imitar outro robô que se movia em padrões específicos em ordens aleatórias.

Os pesquisadores descobriram que a escolha de um valor intermediário do meta anterior - um número entre zero e um - tornou mais eficaz para os RNNs gerar previsões precisas em ambos os casos.

Além de estudar desenvolvimento social e cognição, a equipe de pesquisa espera explorar o potencial de sua rede para modelar o transtorno do espectro do autismo (ASD). Tani acredita que as pessoas com ASD tendem a minimizar o erro, desenvolvendo uma representação interna complexa da realidade, que pode ser modelado com uma configuração alta do meta prior. Devido a isso, indivíduos com ASD podem não ter a capacidade de generalizar, e muitas vezes preferem interagir com o mesmo ambiente repetidamente para evitar erros e interações sociais desconhecidas.

Portanto, os pesquisadores acreditam que encontrar um mecanismo dentro do cérebro humano semelhante ao meta anterior pode informar futuras terapias ASD.