O condicionamento clássico é um processo psicológico através do qual animais ou humanos emparelham estímulos desejados ou desagradáveis ​​(por exemplo, comida ou experiências dolorosas) com um estímulo aparentemente neutro (por exemplo, o som de um sino, o flash de uma luz, etc.) após esses dois estímulos serem repetidamente apresentados juntos. O psicólogo russo Ivan Pavlov estudou o condicionamento clássico em grande profundidade e introduziu a ideia de "memória associativa, "o que implica construir associações fortes entre os estímulos agradáveis ​​/ desagradáveis ​​e neutros.

Pavlov é conhecido por seus estudos sobre cães, em que ele deu comida aos animais depois que eles ouviram um som específico para várias tentativas. Interessantemente, ele observou que os cães acabariam por começar a salivar (ou seja, antecipando a comida) depois de ouvir o som, mesmo que a comida ainda não tivesse sido apresentada a eles. Isso sugere que eles aprenderam a associar o som à chegada da comida.

Nos últimos anos, pesquisadores têm tentado desenvolver ferramentas computacionais, mais notavelmente técnicas de aprendizado de máquina, inspirado por mecanismos biológicos, e muitas vezes se inspiraram no condicionamento clássico. Algumas dessas abordagens inspiradas no trabalho de Pavlov tentam reproduzir a "memória associativa" que ele observou em máquinas que usam memristores, que são componentes eletrônicos que atuam como uma memória para dispositivos.

Uma equipe de pesquisadores da Zhengzhou University of Light Industry e da Huazhong University of Science and Technology, na China, desenvolveu recentemente um novo circuito de rede neural baseado em memristor que reproduz a noção de memória associativa de Pavlov. O circuito deles, apresentado em um artigo publicado em Transações na cibernética , foi projetado para superar algumas das limitações das redes neurais baseadas em memristor propostas anteriormente que reproduzem a memória associativa.

"A maioria das redes neurais de memória associativa de Pavlov baseadas em memristor exige estritamente que apenas comida e anel simultâneos pareçam gerar memória associativa, "os pesquisadores explicaram em seu artigo." Neste artigo, o atraso de tempo é considerado para formar memória associativa quando o estímulo alimentar fica atrás do estímulo do anel por um determinado período de tempo. "

O circuito de rede neural baseado em memristor desenvolvido pelos pesquisadores tem três componentes principais, um módulo de sinapse, um módulo de controle de tensão e um módulo de retardo de tempo. Sua estrutura única, particularmente o módulo de retardo de tempo, permite criar associações, mesmo que seja um estímulo saliente, que nas experiências com cães de Pavlov era comida, aparece algum tempo após um estímulo neutro (por exemplo, um som).

Esta é uma conquista particularmente notável, como a maioria das redes neurais baseadas em memristor desenvolvidas anteriormente só podem criar essas associações se os dois estímulos forem alimentados para a rede ao mesmo tempo. A taxa em que o circuito apresentado pela equipe aprende a fazer associações também pode ser adaptada, simplesmente mudando o período de tempo entre os estímulos neutros e salientes.

"Funções como aprendizagem, esquecendo, rápida aprendizagem, esquecimento lento e aprendizado de retardo de tempo são implementados pelo circuito, "os pesquisadores escreveram em seu artigo." A rede neural de memória associativa de Pavlov com aprendizado de retardo de tempo fornece uma referência para o desenvolvimento de sistemas semelhantes ao cérebro. "

Geral, os pesquisadores da Zhengzhou University of Light Industry e da Huazhong University of Science and Technology introduziram um projeto eficaz para sistemas de rede neural baseados em memristor, inspirado na noção de condicionamento pavloviano. No futuro, o circuito que desenvolveram pode ter várias aplicações interessantes, por exemplo, auxiliando no desenvolvimento de ferramentas computacionais que reproduzem os processos psicológicos observados em animais ou humanos de forma mais eficaz. A equipe agora planeja continuar trabalhando no circuito, otimizando seu desempenho, simplificando sua estrutura e tentando integrá-lo em outros dispositivos.

© 2019 Science X Network