Las redes neuronales artificiales se modelan a partir de las redes neuronales biológicas que componen nuestros cerebros; se usan para permitir que las computadoras aprendan de manera similar a cómo aprenden nuestros cerebros. Por ejemplo, aprendemos a diferenciar conceptos a lo largo del tiempo mediante la repetición, después de ver tantas variedades de árboles y de flores, aprendemos cuál es la plantilla de un árbol y podemos reconocer árboles en el futuro, incluso si se trata de una variedad nueva. Ciertas características de los árboles-rama-hojas-tronco-se sabe que están conectadas, y cuando se activan juntas, reconocemos que se trata de un árbol. Una red neuronal artificial actúa de manera similar; las conexiones entre las neuronas artificiales se fortalecen con el tiempo si se activan con frecuencia juntas, en lo que se denomina aprendizaje “Hebbian”.
Sin embargo, este modelo no es infalible, porque esta forma de aprendizaje directo puede conducir rápidamente a conexiones excesivamente dominantes que inhiben el aprendizaje creativo. Por ejemplo, cuando las conexiones entre branch-leaves-trunk-Tree son demasiado poderosas, cualquier entrada relevante, como las hojas en un trébol de cuatro hojas, podría ser secuestrada por la red de árbol, y otras vías posibles se descuidan. Esto se denomina ‘circuito de retroalimentación restrictivo’, porque un conjunto de conexiones restringe la formación de otras y, básicamente, se refuerza reiteradamente por encima de todas las demás.
Un artículo reciente (Thiele, Diehl, y Cook, 2017) propuso implementar un algoritmo de “despertar-dormir” a un modelo de red neuronal artificial para corregir este problema. La fase de reposo esencialmente desactivaría temporalmente el modo de aprendizaje Hebbian, es decir, desactivaría la intensidad de las conexiones y, en su lugar, permitiría que la entrada aleatoria se ejecutara a través de la red sin prejuicios. Esto se asemeja al proceso de soñar en humanos.
Mientras tanto, en el campo de la investigación del sueño humano, se han propuesto modelos similares para describir las funciones de “desaprendizaje” del estado de sueño / sueño REM. En 2 trabajos teóricos recientes, los autores Malinowski y Horton (2015) sugieren un proceso de “descontextualización” en el sueño: un proceso de descomponer recuerdos en pequeños fragmentos que luego se asocian con numerosas huellas de memoria diferentes, formando nuevas conexiones a través de la red de memoria autobiográfica no se formaría durante la estela. Este proceso se basa parcialmente en la “hiperasociatividad” del estado de sueño.
La hiperosociatividad se refiere a las conexiones incrementadas que se hacen entre las memorias que solo estarían asociadas de manera vaga durante el despertar. Si bien muchos investigadores están de acuerdo en que los sueños y el sueño REM se caracterizan por hiperasociatividad, Malinowski y Horton sugieren que estas conexiones sueltas pueden estar detrás de la visión y la creatividad que resulta del sueño.
Los autores demuestran la hiperasociatividad del soñar en varios ejemplos de bizarreza soñada: los sueños unen elementos inusuales de la memoria: un amigo puede ser personificado por un gato; la narración de un sueño puede cambiar bruscamente; su casa se transforma repentinamente en su oficina de trabajo; los sueños unen elementos del pasado remoto con el pasado reciente o incluso el futuro anticipado; pronuncias un discurso en tu antigua escuela secundaria.
La investigación experimental también ha demostrado que la cognición es hiperasociativa después del despertar del sueño REM. Los sujetos darán respuestas poco comunes a una tarea de asociaciones de palabras, y darán preferencia a pares de palabras semánticas débilmente relacionadas en lugar de fuertemente relacionadas. La evidencia se alinea con la sugerencia de un estado de sueño que está levantando temporalmente las carreteras ‘Hebbian’ del pensamiento de vigilia.
Hartmann (1996) sugirió de manera similar que en el pensamiento despierto, la información fluye de forma lineal, mientras que en el soñar no hay dirección para el flujo de información, es libre de moverse hacia atrás o hacia los lados hacia conceptos más débilmente conectados. Esto puede ser esencial para dividir los recuerdos en fragmentos que puedan integrarse mejor en la red como un todo. Esta función quizás se demuestra mejor por lo que sucede cuando falla. Por ejemplo, en el trastorno de estrés postraumático, las pesadillas recurrentes que reproducen un trauma pueden persistir durante décadas después de una experiencia traumática. Esto es una reminiscencia de un “circuito de retroalimentación restrictivo” que es demasiado poderoso y dominante, y cualquier entrada relevante activará todo el circuito. Por lo tanto, el sistema no puede “desaprender” un trauma, no puede descomponerlo y permitir que se formen nuevas conexiones en su lugar.
Mientras que la “hiperasociatividad” en el sueño puede tener ciertos beneficios para integrar recuerdos emocionales y para estimular la creatividad, podría argumentarse que esta característica de ‘desaprendizaje’ es en un nivel más básico una necesidad mecanicista para que cualquier red neuronal de este calibre se mantenga a sí misma, y para evitar “circuitos de retroalimentación restrictivos”. De hecho, en la red neuronal artificial descrita anteriormente, los experimentadores encontraron que la adición de una fase “soñadora”, donde el aprendizaje Hebbian estaba desactivado, permitía un aumento en las tasas de aprendizaje de hasta diez veces, evitaba ciclos de retroalimentación restrictivos y, lo mejor de todos dieron a sus redes neuronales artificiales el inesperado placer de soñar.
Referencias
Carr, M., y Nielsen, T. (2015). Las siestas de sueño REM de la mañana facilitan un amplio acceso a redes semánticas emocionales. Sueño, 38 (3), 433-443.
Hartmann, E. (1996). Esquema de una teoría sobre la naturaleza y las funciones de los sueños. Soñando, 6 (2), 147.
Horton, CL, y Malinowski, JE (2015). Memoria autobiográfica e hiperasociatividad en el cerebro de los sueños: implicaciones para la consolidación de la memoria en el sueño. Fronteras en psicología, 6.
Malinowski, JE, y Horton, CL (2015). Metáfora e hiperasociatividad: los mecanismos de imaginación detrás de la asimilación de emociones en el sueño y el soñar. Fronteras en psicología, 6.
Thiele, J., Diehl, P., y Cook, M. (2017). Un algoritmo de vigilia-sueño para redes neuronales repetitivas. arXiv preprint arXiv: 1703.06290.
