Hispanopedia WikiLa memoria de trabajo de los ganglios basales de la corteza prefrontal ( PBWM ) es un algoritmo que modela la memoria de trabajo en la corteza prefrontal y los ganglios basales . [1]
Se puede comparar con la memoria a corto plazo (MLCP) en cuanto a funcionalidad, pero es más explicable biológicamente. [1] [2]
Se utiliza como parte del marco Leabra y se implementó en Emergent en 2019.
Abstracto
Desde hace mucho tiempo se ha creído que la corteza prefrontal sirve tanto para la memoria de trabajo (la retención de información en línea para su procesamiento) como para las funciones "ejecutivas" (decidir cómo manipular la memoria de trabajo y realizar el procesamiento). Aunque se han desarrollado muchos modelos computacionales de la memoria de trabajo , la base mecanicista de la función ejecutiva sigue siendo difícil de entender.
PBWM es un modelo computacional de la corteza prefrontal para controlarse a sí misma y a otras áreas cerebrales de una manera estratégica y apropiada para cada tarea. Estos mecanismos de aprendizaje se basan en estructuras subcorticales en el mesencéfalo, los ganglios basales y la amígdala, que juntos forman una arquitectura actor/crítico. El sistema crítico aprende qué representaciones prefrontales son relevantes para la tarea y entrena al actor, que a su vez proporciona un mecanismo de control dinámico para controlar la actualización de la memoria de trabajo. Computacionalmente, el mecanismo de aprendizaje está diseñado para resolver simultáneamente los problemas de asignación de créditos temporales y estructurales.
El rendimiento del modelo se compara favorablemente con los mecanismos de aprendizaje temporal basados en retropropagación estándar en la desafiante tarea de memoria de trabajo 1-2-AX y otras tareas de memoria de trabajo de referencia. [1] [ fuente de terceros necesaria ]
Modelo
En primer lugar, existen múltiples franjas (grupos de unidades) independientes en las capas de la corteza prefrontal y del cuerpo estriado . Cada franja puede actualizarse de forma independiente, de modo que este sistema puede recordar varias cosas diferentes al mismo tiempo, cada una con una "política de actualización" diferente sobre cuándo se actualizan y mantienen los recuerdos. El mantenimiento activo de la memoria se realiza en la corteza prefrontal (CPF), y las señales de actualización (y la política de actualización en general) provienen de las unidades del cuerpo estriado (un subconjunto de las unidades de los ganglios basales ). [3]
PVLV proporciona señales de aprendizaje de refuerzo para entrenar el sistema de activación dinámica en los ganglios basales.
Entrada sensorial y salida motora
La entrada sensorial está conectada a la corteza posterior , que a su vez está conectada a la salida motora. La entrada sensorial también está vinculada al sistema PVLV .
Corteza posterior
La corteza posterior forma las capas ocultas del mapeo de entrada/salida. La corteza prefrontal está conectada con la corteza posterior para contextualizar este mapeo de entrada/salida.
Soldado de primera clase
El PFC (para control de salida) tiene una representación localista uno a uno de las unidades de entrada para cada franja. Por lo tanto, puede observar estas representaciones del PFC y ver directamente lo que mantiene la red. El PFC mantiene la memoria de trabajo necesaria para realizar la tarea.
Cuerpo estriado
Este es el sistema de control dinámico que representa las unidades del cuerpo estriado de los ganglios basales . Cada unidad de índice par dentro de una franja representa "Go", mientras que las unidades de índice impar representan "NoGo". Las unidades Go hacen que se actualice el PFC, mientras que las unidades NoGo hacen que el PFC mantenga su representación de memoria existente.
Hay grupos de unidades para cada franja.
En el modelo PBWM en Emergent , las matrices representan el cuerpo estriado.
PVLV
Todas estas capas forman parte del sistema PVLV, que controla la modulación dopaminérgica de los ganglios basales (BG). Por lo tanto, BG/PVLV forman una arquitectura actor-crítico en la que el sistema PVLV aprende cuándo actualizarse. [ cita requerida ]
SNrThal
SNrThal representa la pars reticulata de la sustancia negra (SNr) y el área asociada del tálamo , que produce una competencia entre las unidades Go/NoGo dentro de una franja dada y media la competencia utilizando una dinámica de k-winners-take-all . Si hay más actividad Go general en una franja dada, entonces la unidad SNrThal asociada se activa y esto impulsa la actualización en PFC. Para cada franja, hay una unidad en SNrThal. [ cita requerida ]
VTA y SNc
El área tegmental ventral (ATV) y la pars compacta de la sustancia negra (SNc) forman parte de la capa de dopamina . Esta capa modela las neuronas dopaminérgicas del mesencéfalo. Controlan la modulación dopaminérgica de los ganglios basales. [ cita requerida ]
Véase también
Referencias
- ^ abc O'Reilly, RC y Frank, MJ (2006). "Hacer que la memoria de trabajo funcione: un modelo computacional de aprendizaje en la corteza frontal y los ganglios basales". Computación neuronal . 18 (2): 283–328. doi :10.1162/089976606775093909. PMID 16378516. S2CID 8912485.
- ^ Jeevanandam, Nivash (13 de septiembre de 2021). "Conceptos de aprendizaje automático subestimados pero fascinantes n.º 5: mapeo de CST, PBWM, SARSA y Sammon". Revista Analytics India . Consultado el 4 de diciembre de 2021 .
- ^ desde "Leabra PBWM". CCNLab.