martes, 20 de julio de 2010

Circuitos corticales y computación cerebral (II): el modelo de memoria temporal jerárquica


Nos toca hablar en esta ocasión sobre el modelo de "memoria temporal jerárquica" de George y Hawkins (2009) y su relevancia para el problema de la computación cortical. Partiendo de la idea de que el neocórtex construye un modelo del mundo empleando una jerarquía espacio-temporal, el modelo se estructura en torno a nodos organizados en forma de árbol y que almacenan patrones espaciales y secuencias de patrones espaciales procedentes de los nodos situados por debajo en la jerarquía. Cada nodo contiene un conjunto de patrones de coincidencia y un conjunto de cadenas de Markov definidas sobre un subconjunto del conjunto de patrones de coincidencia en el nodo. Un patrón de coincidencia en un nodo representa la coactivación de las cadenas de Markov de sus nodos hijos. El aprendizaje espacio-temporal en el modelo acaece en los patrones de coincidencia y en las cadenas de Markov de cada nodo y en todos los niveles de la jerarquía.
Los nodos hijos envían mensajes hacia los nodos situados en la parte superior de la jerarquía. Estos mensajes transmiten información acerca del grado de certidumbre de las cadenas de Markov. Cada mensaje es un vector de igual longitud al número de cadenas de Markov del correspondiente nodo hijo, derivándose la probabilidad de las coincidencias de estos mensajes.
Cada nodo de la jerarquía calcula su grado de creencia en un patrón de coincidencia y lo envía hacia sus descendientes.
Podemos considerar las células piramidales como cadenas de Markov que envían sus mensajes hacia regiones corticales situadas en niveles superiores de la jerarquía. El modelo de George y Hawkins requiere que las secuencias localizadas en los niveles superiores han de representar mayores duraciones temporales y se divide en 6 capas que intentan simular el funcionamiento computacional de ciertas proyecciones corticales. En un primer estrato, se propone que la proyección talámica se encarga de almacenar y detectar los patrones de coincidencia. En una segunda capa, las células dendríticas se ocuparían del cálculo de probabilidad de las secuencias. En el tercer estrato se produce la proyección entre células intercolumnares, en el cuarto, se genera el cálculo de creencias sin un tiempo específico y en el quinto, se produce el cálculo de creencias ya con tiempo específico, enviándose los resultados hacia las regiones subcorticales. Finalmente, en la sexta capa se da la computación de los mensajes por parte de las dendritas apicales, surgiendo un proceso de realimentación con respecto a los nodos hijos.
En definitiva, se trata de un modelo que, tomando como base la anatomía del neocórtex, adopta la configuración de una red bayesiana que asume una jerarquía de nodos, en la que cada nodo aprende coincidencias espaciales. La jerarquía del modelo corresponde a la jerarquía de las regiones corticales mientras que los nodos representan pequeñas regiones del córtex. De esta manera se busca disponer de un modelo teórico del neocórtex, suficientemente vinculado a los datos que pueda aportar la Neurobiología como para realizar predicciones verificables sobre el funcionamiento biológico real.