O cérebro é, pelo menos para mim, um enigma envolto em mistério. Pessoas que são mais espertas do que eu – uma lista que abrange a maioria dos humanos, cães e possivelmente algumas espécies de leveduras – descobriram muitos aspectos do cérebro. Mas algumas coisas aparentemente básicas, como lembramos, ainda são entendidas apenas em um nível muito vago. Agora, investigando um modelo matemático de atividade neural, os pesquisadores descobriram outro mecanismo possível para armazenar e recuperar memórias.
Nós sabemos em detalhes como os neurônios funcionam. Neurotransmissores, disparo de sinapses, excitação e supressão são todos conhecimentos de livros didáticos. De fato, abstraímos essas idéias para criar algoritmos de caixa preta para nos ajudar a arruinar a vida das pessoas executando tarefas do mundo real.
Também entendemos o cérebro em um nível mais alto e mais estrutural: sabemos quais partes do cérebro estão envolvidas no processamento de diferentes tarefas. O sistema de visão, por exemplo, é mapeado em detalhes requintados. No entanto, o nível intermediário entre essas duas áreas permanece frustrantemente vago. Sabemos que um conjunto de neurônios pode estar envolvido na identificação de linhas verticais em nosso campo visual, mas não entendemos realmente como esse reconhecimento ocorre.
A memória está difícil
Da mesma forma, sabemos que o cérebro pode armazenar memórias. Podemos até criar e apagar uma memória em um mouse. Mas os detalhes de como a memória é codificada não são claros. Nossa hipótese básica é que uma memória representa algo que persiste ao longo do tempo: uma espécie de constante (sabemos que as memórias variam com a lembrança, mas ainda são relativamente constantes). Isso significa que deve haver algo constante no cérebro que retenha a memória. Mas o cérebro é incrivelmente dinâmico e muito pouco permanece constante.
É aqui que entram as pesquisas mais recentes: constantes abstratas que podem conter memórias foram propostas.
Então, quais constantes os pesquisadores encontraram? Digamos que um grupo de seis neurônios esteja em rede através de sinapses interconectadas. O disparo de qualquer sinapse em particular é completamente imprevisível. Da mesma forma, sua influência na atividade de seus vizinhos é imprevisível. Portanto, nenhuma sinapse ou neurônio codifica a memória.
Mas escondido dentro de toda essa imprevisibilidade está a previsibilidade que permite que uma rede neural seja modelada com um conjunto relativamente simples de equações. Essas equações replicam as estatísticas de sinapses disparando muito bem (se não o fizessem, as redes neurais artificiais provavelmente não funcionariam).
Uma parte crítica das equações é a ponderação ou influência de uma entrada sináptica em um neurônio específico. Cada ponderação varia de acordo com o tempo aleatoriamente, mas pode ser fortalecida ou enfraquecida devido ao aprendizado e recall. Para estudar isso, os pesquisadores examinaram o comportamento dinâmico de uma rede, concentrando-se nos chamados pontos fixos (ou pontos de ajuste).
Tecnicamente, você precisa entender números complexos para entender os pontos de ajuste. Mas eu tenho um atalho. O mundo da dinâmica é dividido em coisas estáveis ??(como planetas orbitando o Sol), coisas instáveis ??(como rochas equilibradas em paus pontudos) e coisas totalmente imprevisíveis.
A memória é de plástico
O neurônio é uma estranha combinação de estável e imprevisível. Os neurônios têm taxas e padrões de disparo que permanecem dentro de certos limites, mas você nunca sabe exatamente quando um neurônio individual irá disparar. Os pesquisadores mostram que a característica que mantém a rede estável não armazena informações por muito tempo. No entanto, a característica que gera imprevisibilidade armazena informações e parece capaz de fazê-lo indefinidamente.
Os pesquisadores demonstraram isso expondo seu modelo a estímulos de entrada, que eles descobriram que mudaram as flutuações da rede. Além disso, quanto mais tempo o modelo foi exposto ao estímulo, mais forte foi sua influência.
O padrão individual de disparo ainda era imprevisível e não havia como ver a memória no estímulo em qualquer neurônio individual ou em seu comportamento de disparo. No entanto, ele ainda estava lá, oculto no comportamento global da rede.
Análises adicionais mostram que, em termos de dinâmica, há uma grande diferença entre a maneira como a memória é codificada e os modelos anteriores. Nos modelos anteriores, a memória é um ponto fixo que corresponde a um padrão particular de disparo neural. Nesse modelo, a memória é uma forma. Poderia ser uma forma 2D em um avião, como os pesquisadores descobriram em seu modelo. Mas a dimensionalidade da forma pode ser muito maior, permitindo que memórias muito complicadas sejam codificadas.
Em um modelo 2D, o comportamento de disparo de neurônios segue um ciclo limite, o que significa que o padrão muda continuamente através de uma gama de estados que eventualmente se repete, embora isso seja evidente apenas durante a recuperação.
Outro aspecto interessante do modelo é que a lembrança afeta a memória. As memórias lembradas por um estímulo semelhante ficam mais fracas em alguns casos, enquanto em outros são fortalecidas.
Para onde daqui?
Os pesquisadores sugerem que evidências para seu modelo podem ser encontradas em sistemas biológicos. Deve ser possível encontrar formas invariantes na conectividade neuronal. No entanto, imagino que não seja uma pesquisa fácil de realizar. Um teste mais simples é que deve haver assimetria na força nas conexões entre dois neurônios durante o aprendizado. Essa assimetria deve mudar entre aprender e descansar.
Então, sim, em princípio, o modelo é testável. Mas parece que esses testes serão muito difíceis. Podemos esperar muito tempo para obter alguns resultados de uma maneira ou de outra.
Publicado em 23/10/2019
Artigo original: https://arstechnica.com/science/2019/10/neurons-hide-their-memories-in-their-imaginary-fluctuations/
Achou importante? Compartilhe!
Assine nossa newsletter e fique informado sobre Astrofísica, Biofísica, Geofísica e outras áreas. Preencha seu e-mail no espaço abaixo e clique em “OK”: