Descubrimiento de la organización funcional macroscópica en la estructura de redes neuronales recurrentes similares...

Área de la Ciencia:

• Neurociencia
• Inteligencia Artificial
• Neurociencia Computacional

Sus antecedentes:

• Vincular la estructura cerebral con la función es crucial en neurobiología e IA.
• Las redes neuronales artificiales (ANN) carecen de restricciones estructurales macroscópicas integrales, lo que dificulta la interpretación.
• No está claro si los principios de estructura-función cerebral se aplican a las ANN o si las restricciones producen hallazgos corticales.

Objetivo del estudio:

• Introducir BrainRNN, una arquitectura de red neuronal artificial inspirada en la estructura cortical humana.
• Investigar si las restricciones estructurales similares a las del cerebro pueden inducir organización funcional en redes neuronales artificiales.
• Explorar el acoplamiento estructura-función dentro de una red neuronal artificial estructuralmente restringida.

Principales métodos:

• Desarrollo de BrainRNN, una arquitectura de red neuronal recurrente.
• Incorporación de restricciones estructurales corticales humanas a macroescala en el diseño del modelo.
• Análisis de la distribución de la conectividad, la activación de unidades y la organización funcional emergente.

Principales resultados:

• BrainRNN regula selectivamente la distribución de la conectividad bajo restricciones estructurales.
• El aumento de unidades de asociación activadas en BrainRNN se correlaciona con una capacidad cognitiva de orden superior.
• La organización funcional macroscópica emergente, incluidos módulos y gradientes, refleja hallazgos de la corteza humana.

Conclusiones:

• Las restricciones estructurales similares a las del cerebro dan forma a la organización funcional en redes neuronales artificiales.
• La función puede descubrirse a partir de la estructura en IA estructuralmente fundamentada.
• Este enfoque tiene potencial para avanzar en la investigación neurocientífica a través de modelos de IA.