Una red neuronal cuántica arroja luz sobre la cognición humana y podría mejorar a la IA

Una red neuronal cuántica puede ver ilusiones ópticas como lo hacen los humanos: los procesos implicados podrían utilizarse para revelar misterios relacionados con la cognición humana y la forma en la que pensamos. Además, los hallazgos serían útiles para desarrollar sistemas de Inteligencia Artificial (IA) capaces de emular de manera más efectiva las funciones cognitivas humanas.

Un estudio realizado por el científico Iván Maksymov, de la Universidad Charles Sturt, en Australia, describe una nueva red neuronal cuántica que logra superar una de las mayores limitaciones de los modelos de visión por ordenador: la comprensión de las ilusiones ópticas humanas, esos instantes en los cuales no estamos seguros de ver algo real o irreal. El avance podría dilucidar aspectos intrincados de la cognición humana y sentar las bases para nuevos sistemas de Inteligencia Artificial (IA) más compatibles con nuestra forma de pensar.

¿Real o irreal?

En ocasiones, el cerebro humano puede ser confuso: ejemplos como el cubo de Necker o el jarrón o copa de Rubinin, entre mucho otros, son casos en los cuales nuestra visión no es lineal, admitiendo varias interpretaciones sobre aquello que estamos observando. Para algunos, la cara sombreada del cubo se encuentra en la parte posterior, mientras que otras personas la ven en el sector frontal. En el ejemplo del jarrón o copa, algunos ven dos personas mirándose frente a frente y otros, sencillamente, advierten un jarrón.

Son solo dos ejemplos de las denominadas ilusiones ópticas, momentos en los cuales el cerebro humano no parece estar seguro acerca de la realidad o irrealidad de aquello que se percibe. En el mundo de la IA, por lo menos en el marco de los modelos actuales, esa ambigüedad es imposible: en consecuencia, los sistemas de visión por ordenador y otras aplicaciones similares no logran emular al pensamiento humano en esas situaciones.

Saltando barreras

Según explica Maksymov en un artículo de su autoría publicado en The Conversation, el cerebro humano procesa información decidiendo qué datos son útiles y cuáles no. Las redes neuronales utilizadas en IA imitan esta función del cerebro empleando muchas capas de neuronas artificiales, que les permiten almacenar y clasificar los datos como beneficiosos o inútiles.

Estas neuronas artificiales son activadas por señales de sus vecinas: para lograrlo, necesitan conectarse unas a otras, superando barreras. En la mecánica cuántica, pequeños objetos como los electrones a veces pueden pasar a través de barreras aparentemente impenetrables, mediante un efecto llamado “túnel cuántico”. En la nueva red neuronal creada por Maksymov, el efecto de “túnel cuántico” permite que las neuronas artificiales superen barreras que, de otra manera, no lograrían atravesar, activándose incluso en las situaciones ambiguas como las ilusiones ópticas.

Una IA más “humana”

De acuerdo a la investigación de Maksymov, publicada recientemente en la revista APL Machine Learning, los hallazgos relativos a la nueva red neuronal cuántica podrían arrojar luz sobre la forma en la cual el cerebro humano procesa la información durante las ilusiones ópticas, y en otros fenómenos que aún no poseen una explicación clara. Además, el mecanismo de la nueva red neuronal podría ser el primer paso para el desarrollo de una IA capaz de emular mejor el pensamiento humano.

Según un artículo publicado en The Debrief, al integrar los efectos cuánticos estas nuevas redes artificiales podrían ayudar a mitigar los sesgos implícitos en la IA actual, al permitir interpretaciones más matizadas y una toma de decisiones más independiente y con mejores recursos, contribuyendo así al desarrollo de sistemas de IA que sean más inteligentes, más equitativos y más éticos en sus juicios. Esto puede resultar clave en cuanto al uso de la IA en la cultura popular, que insume importantes riesgos en la actualidad.

Referencia

Quantum-tunneling deep neural network for optical illusion recognition. Ivan S. Maksymov. APL Machine Learning (2024). DOI:https://doi.org/10.1063/5.0225771