RedacciónT21 
Investigadores de la Universidad de Guelph y de la Universidad de Toronto Mississauga, ambas canadienses, han construido una red neuronal que replica el complejo sistema visual de la mosca de la fruta y que es capaz de distinguir e identificar a otras moscas con una precisión superior a la del ojo humano.
Los investigadores combinaron la experiencia en biología de la mosca de la fruta con el aprendizaje automático para construir un algoritmo biológico que se construye a través de videos de baja resolución sobre moscas de la fruta. Así comprobaron que es físicamente posible que un sistema artificial logre la difícil tarea de replicar el sistema visual de un insecto.
Las moscas de la fruta tienen pequeños ojos compuestos que toman una cantidad limitada de información visual. Un ojo compuesto agrupa entre 12 y varios miles de unidades receptivas. Estos tipos de ojos no tienen una lente central, lo cual implica una baja resolución de imagen. Asimismo, los ojos compuestos son capaces de detectar movimientos rápidos, ven un amplio rango de ángulos sólidos y en algunos casos, perciben la polarización de la luz.
Aunque se sabe que la imagen procesada por una mosca de la fruta (Drosophila melanogaster) solo es capaz de distinguir características muy amplias, un descubrimiento del año pasado estableció que estos insectos utilizan sutiles trucos biológicos para mejorar la resolución de las imágenes.
Los investigadores consideran que esta habilidad potencia la vida social de las moscas, en la misma medida en que les permite reconocer con más facilidad a otras moscas y diferenciarlas de las demás, si bien al mismo tiempo añade una dificultad tecnológica para la replicación del sistema visual de estos insectos.
Por otro lado, se ha sabido también que la estructura del sistema visual de la mosca se parece bastante a las redes neuronales artificiales profundas, en las cuales las neuronas responden a campos receptivos de forma similar a como lo hacen las neuronas de la corteza visual primaria de un cerebro biológico.
Estas dos constataciones previas llevaron a los investigadores modelar un cerebro de mosca con capacidad de identificar a individuos de su misma especie. Esta red neuronal tiene la misma información teórica y capacidad de procesamiento que una mosca de la fruta, atributos que obtuvo procesando información de videos de una mosca durante dos días.
Buen resultado
Al tercer día, esta red neuronal artificial fue capaz de identificar a la misma mosca con una puntuación de 0,75 según el valor F, una media armónica que combina precisión y exhaustividad.
Los investigadores destacan que es un buen resultado, un poco por debajo de las puntuaciones que obtienen otras redes neuronales no basadas en cerebros biológicos, y muy superior a la obtenida en resultados de identificación de moscas por seres humanos (0,08). Esta red neuronal supera así la capacidad humana en esta habilidad.
“La idea de combinar modelos de aprendizaje profundo con redes neuronales puede informarnos sobre los modelos, sobre cómo las neuronas se comunican entre sí y sobre el animal en su totalidad. Eso es una especie de alucinante. Y es territorio inexplorado”, explica Joel Levine, uno de los investigadores, en un comunicado.
Graham Taylor, otro de los artífices de este desarrollo, señala por su parte que “muchas aplicaciones de Deep Neural Network intentan replicar y automatizar habilidades humanas como el reconocimiento facial, el procesamiento del lenguaje natural o la identificación de canciones. Pero rara vez van más allá de la capacidad humana. Así que es emocionante encontrar un escenario en el que los algoritmos pueden superar a los humanos».
Jonathan Schneider, otro de los autores de esta investigación, concluye: «proyectos como este son un escenario perfecto para que los neurobiólogos y los investigadores de aprendizaje automático trabajen juntos para descubrir los fundamentos de cómo cualquier sistema (biológico o de otro tipo) aprende y procesa la información».
Referencia
Can Drosophila melanogaster tell who’s who? Jonathan Schneider, Nihal Murali, Graham W. Taylor, Joel D. Levine.PLOS ONE, October 24. 2018. DOI:https://doi.org/10.1371/journal.pone.0205043
Hacer un comentario