PROVIDENCE, R.I. [Brown University] — Imaginen un caballo tropezando con una roca. Recupera el impulso, luego se encuentra con un terreno más accidentado y reduce la velocidad al caminar. De vuelta en un terreno estable, el caballo aumenta el ritmo para alcanzar a la manada. ¿Cómo es capaz el caballo de realizar estas diferentes transiciones de marcha?
Investigadores del Carney Institute for Brain Science de la Universidad de Brown han desarrollado una red neuronal artificial que muestra cómo una criatura cuadrúpeda puede generar múltiples patrones distintos de marcha. Su trabajo, publicado en Neural Computation, ofrece nuevas perspectivas sobre cómo el cerebro puede procesar comportamientos complejos. También podría ser útil para avanzar en la tecnología de robots cuadrúpedos, permitiéndoles realizar movimientos dinámicos complejos de forma más autónoma.
“Sabemos que el cerebro debe ser capaz de mantener y cambiar ritmos de forma flexible y robusta”, afirmó Carina Curto, profesora de matemáticas aplicadas en Brown. “Aprovechando las reglas de las redes de atractores, hemos creado una red neuronal artificial que sugiere cómo los cerebros biológicos podrían codificar y cambiar simultáneamente entre diferentes patrones y ritmos.”
Las redes de atractores son una construcción matemática que puede utilizarse para explicar los patrones de actividad neuronal hacia los que convergen naturalmente las dinámicas cerebrales, explicó Curto. Un tipo de red de atractores, conocida como red de Hopfield, es utilizada por los neurocientíficos para modelar comportamientos cerebrales “estáticos”, o comportamientos en los que las neuronas se disparan en un patrón consistente, como recuperar información almacenada al reconocer el rostro de alguien.
La nueva investigación del equipo amplía el marco de los atractores para crear un modelo eficiente para comportamientos dinámicos. Basada en una red optimizada y eficiente de 24 neuronas artificiales, la red basada en atractores genera cinco marchas distintas para cuadrúpedos (galope, paso, trote, caminata y un tipo de salto conocido como pronking), con la capacidad de capturar transiciones rápidas entre estas marchas, ya sea un salto repentino o el cambio de un trote a una caminata, sin necesidad de ajustar ninguno de los parámetros del modelo.
Estos hallazgos sugieren que las redes basadas en atractores son más flexibles e interpretables que otros modelos, y proporcionan un marco teórico unificado que puede utilizarse para estudiar una variedad de comportamientos cerebrales.
El equipo de investigación incluyó la colaboración de Katherine Morrison, profesora de ciencias matemáticas de la Universidad de Northern Colorado, quien trabajó con el equipo durante una residencia de un semestre en ICERM, el instituto de matemáticas financiado por la National Science Foundation de Brown.
“Este artículo demuestra que se pueden expandir las redes de atractores más allá de lo estático para incluir lo dinámico”, dijo Juliana Londono Alvarez, investigadora postdoctoral en Brown y autora principal del estudio. “Una vez que haces eso, puedes ver cómo los mismos principios que subyacen a la codificación de la memoria también pueden generar algo dinámico, como estas marchas.”
La red podría servir de inspiración para la robótica, según los investigadores. Los robots cuadrúpedos ya toman prestados comportamientos de los animales para realizar tareas. Sin embargo, los programas que ejecutan estos robots tienden a ser costosos, masivos y requieren que estén conectados a Internet. Un robot cuadrúpedo que se inspire en la pequeña y eficiente red neuronal del laboratorio de Curto podría operar sin conexión.
Londono Alvarez se encuentra actualmente en conversaciones con ingenieros robóticos sobre la adaptación de la red para sus proyectos.
Este trabajo fue apoyado por subvenciones de los National Institutes of Health R01 EB022862, NSF DMS-1951165 y DMS-1951599. Parte de este trabajo fue apoyado por una subvención de la National Science Foundation DMS-1929284 mientras los matemáticos estaban en residencia en ICERM durante el programa Math + Neuroscience de 2023.
