diumenge, 1 de maig de 2022

Una xarxa pentaneuronal inspirada en abelles per distingir entre parells i senars fins a quaranta

Matemàtica: Scarlett Howard estudia les capacitats cognitives de les abelles per tal d’aplicar aquest coneixement al processament computacional. Els sistemes biològics, doncs, poden servir per inspiracions solucions i models tecnològics. Comparat amb el cervell de mamífers, el cervell de l’abella és relativament simple i aquesta simplicitat la que pot inspirar més fàcilment xarxes neurals simples. En un article a Frontiers in Ecology and Evolution amb Howard de primera autora aquesta estratègia s’aplica a la tasca de paritat, és a dir a la capacitat de distingir entre nombres senars i parells. Aquest és un exemple de categorització de concepte abstracte. Howard et al. expliquen que les abelles poden adquirir visualment la capacitat de diferenciar entre quantitats parelles i senars d’entre 1 i 10 elements geomètrics. També poden extrapolar aquesta categorització a conjunts d’11 i de 12 elements. Amb aquesta informació biològica, Howard et al. constitueixen una xarxa neural de cinc neurones que poden distingir entre parells i senars en conjunts de fins a 40 elements. Alhora, aquesta xarxa pentaneuronal serveix a Howard et al. per examinar els processos que condueixen a aquesta capacitat en el cervell de l’abella.

Informació biològica per a dissenyar processos i aplicacions tecnològics

Scarlett R. Howard és investigadora del Centre for Integrative Ecology de la School of Life and Environmental Sciences de la Deakin University de Burwood (Victoria, Austràlia) i de la School of Biological Sciences de la Monash University de Clayton.

Julian Greentree és membre de la School of Science del Royal Melbourne Institute of Technology (RIMT) University.

Adrian G. Dyer és membre del Bio-Inspired Digital Sensing Lab de la School of Media and Communication de la RIMT University i del Department of Physiology de la Monash University.

Howard, Greentree i Dyer recolliren les dades. L’anàlisi fou a càrrec de Howard, Greentree, Aurore-Avarguès-Weber (del CRCA i del CBI de la Universitat de Tolosa), Jair E. Garcia (RIMT) i Andrew D. Greentree (RIMT).

La recerca es finançà amb programes del govern australià i d’altres institucions. L’article fou tramès a Frontiers el 30 d’octubre del 2021. Editat per Guy Gilles Beauchamp (Concordia University), fou revisat per Giorgio Vallortigara (Universitat de Trent), Vera Vasas (Queen Mary University of London) i Eirik Søvik (Universitat Volda). Acceptat el 2 de març del 2022, fou publicat el 29 d’abril.

Howard et al. defineixen la categorització com la capacitat d’agrupar certs objectes o elements d’acord amb propietats perceptives o funcionals similars. Així doncs, la paritat, en tant que capacitat d’agrupar quantitats segons si són senars o parelles, seria una categorització numèrica.

Les capacitats numèriques de les abelles són limitades. Tenen la capacitat de comptar i discriminar quantitats d’1 a 4. Mitjançant condicionament apetitiu-aversiu, es pot promoure l’atenció i l’aprenentatge visuals en abelles.

Molt més simples encara que els cervells de les abelles són els sistemes neuromòrfics integats per un nombre reduït de neurones artificials.

En aquest treball, Howard et al. demostren la capacitat de les abelles per aprendre a categoritzar numerositats parelles i senars d’elements entre 1 i 10, i extrapolar el coneixement adquirit en nombres superiors (11, 12). Amb aquest coneixement, Howard et al. construeixen una xarxa neural simple capaç de realitzar aquesta tasca de paritat.

Categorització de parells i senars en abelles

El primer experiment fou conduït a Tolosa de Lengadoc l’estiu del 2017 amb abelles Apis mellifera. Amb un parany de gravetat amb solució de sacarosa al 10-20% capturaren 26 abelles exploradores d’entre els 25 ruscos de la Universitat Paul Sabatier. Cadascuna d’elles fou marcada amb un color diferent en el tòrax.

Els ruscos de la Universitat Paul Sabatier de Tolosa en un reportatge de France 3 del 2018

Les abelles eren individualment entrenades per visitar una pantalla vertical en rotació de 50 cm de diàmetre. Els estímuls eren aleatòriament canviats durant l’experiment per evitar donar pistes posicionals a les abelles. També eren rentades amb etanol 30% i aigua després de cada test per evitar pistes olfactives. L’entrenament i test de cada abella durava de 2 a 4 hores.

En cada ocasió es presentaven quatre estímuls (dos amb el mateix nombre parell d’elements; i dos amb el mateix nombre senar d’elements). La recompensa consistia en una gota de 10 μL de solució de sacarosa al 50%. El càstig consistia en una gota del mateix volum de quinina 60 mM.

Els estímuls eren cartes blanques de 6 x 6 cm que presentaven múltiples elements geomètrics negres de diferent mida. Els elements geomètrics eren cercles, quadrats, diamants i triangles. Cada nombre (de 1 a 10) era representat per 10 d’aquests elements.

Cadascuna de les abelles passava per un test de preferència, una fase d’aprenentatge, un test d’aprenentatge i un test de transferència

De les 26 abelles, 13 eren condicionades per associar els nombres parells amb la recompensa i els senars amb el càstig, mentre les altres 13 eren condicions de manera inversa. Les abelles tenien accés a l’aparell. Després de 2-6 encerts, ja saciades amb la sacarosa, retornaven al rusc. En general, cinc minuts després tornaven del rusc, un temps suficient per netejar l’aparell i col·locar-hi fous estímuls.

El segon experiment es realitzà en el 2018. En aquest cas, els elements contenien 11 i 12 elements. Un grup de cinc abelles fou entrenat per triar les cartes amb 11 elements, i un altre grup de cinc abelles per triar les cartes amb 12 elements.

Categorització de parells i senars en una xarxa neuronal simple

El model informàtic assajat consistia en cinc neurones. Era implementat en Python 3. Les cinc neurones eren: 1) una “senyal”; 2) una “certa”; 3) dues intermediàries; 4) una de sortida. La neurona Senyal rep una cadena processada de breus excitacions. Les dues neurones intermediàries modelen, respectivament, parells i senars. La neurona Certa filtra les entrades.

Abelles i xarxes neuronals

L’entrenament de les abelles es fixava com a criteri assolir un 80% d’encerts sobre 10 tries fetes entre quantitats d’1-10. Totes les 26 abelles (les 13 del Grup 1 o parell i les 13 del Grup 2 o senar) arribaren a aquest criteri després de 70 tries. Val a dir que les abelles del Grup 2 arribaven de mitjana abans a completar l’entrenament que no pas les abelles del Grup 1.

L’experiment mostra que les abelles no tenien una preferència inicial pels nombres parells o pels nombres senars. Superat l’aprenentatge, les abelles del Grup 1 tenien un nivell d’encert del 74,6 ± 4,3%, una mica superior al de les abelles del Grup 2 (69,2 ± 4,7%). Aquesta diferència es mantenia també en el test de transferència.

En l’experiment 2, les abelles necessitaven un màxim de 72 tries en la frase d’aprenenatge (43,3 ± 4,6 de mitjana). El nivell d’encert en el test d’aprenentatge era de 65,5 ± 2,5%.

En l’experiment 3 s’assolia una xarxa pentaneuronal amb un nivell d’encert del 100% sobre 0-40 elements.

Els experiments de Howard et al. indiquen que les abelles tenen la capacitat d’aprendre a discriminar entre nombres parells i senars més enllà del 4. L’asimetria entre els grups d’abelles, indicaria que els és més fàcil d’entrada categoritzar nombres senars que parells.

Les dades de la xarxa pentaneuronal indiquen que cervells relativament petits poden reeixir en la tasca de paritat. L’experiment de les abelles indica que els animals requerien un temps superior per categoritzar nombres elevats (11-12) que no pas nombres inferiors (3-8).

Quin mecanisme fan servir les abelles per discriminar entre nombres parells i senars? Podria ser que haguessin après a aparellar els elements i que, en trobar un element desaparellat, recordessin si això s’associa a un premi o a un càstig.

Lligams:

- Numerosity Categorization by Parity in an Insect and Simple Neural Network. Scarlett R. Howard, Julian Greentree, Aurore Avarguès-Weber, Jair E. Garcia, Andrew D. Greentree, Adrian G. Dyer. Front. Ecol. Evol. (2022).