Efeitos da variação da intensidade de aprendizado interno no modelo de redes neurais do Trion

Abstract

O modelo de redes neurais do Trion é uma representação altamente estruturada da organização colunar do córtex postulada por Mountcastle (1969). Suas unidades básicas, os trions, representam uma minicoluna cortical composta por, aproximadamente, 110 neurônios e com cerca de 30 um de diâmetro. Cada trion pode assumir três estados que representam: um número médio de neurônios disparando na minicoluna, acima e abaixo desta média; esses estados evoluem em passos discretos de tempo. Estas unidades estão dispostas em estruturas em anel com seis trions cada, representando uma coluna cortical. Neste trabalho utilizaram-se três destes anéis atuando em paralelo. Os trions são ligados entre si por conexões que influenciam seus estados. O modelo possui dois níveis de conexão: o interno, entre trions dentro de uma coluna, e o lateral, entre trions de diferentes colunas. A evolução do estado de disparo de cada trion, ao longo do tempo, é influenciada pelo seu estado nos dois passos de tempo anteriores, assim como pelo de seus vizinhos. Esta estrutura prediz padrões espaço-temporais de disparo neuronal. Resultados anteriores mostram que cada combinação de conexões gera um repertório típico de padrões. O modelo inclui um mecanismo de aprendizado através de um algoritmo Hebbiano que realiza pequenas mudanças nos valores das conexões. Neste trabalho foi verificada a influência do aumento da intensidade de aprendizado, restrito às conexões internas, nas probabilidades de ciclagem de padrões em redes conectadas em quatro diferentes formas. Os resultados obtidos mostram que o aumento da intensidade do aprendizado nas conexões internas causa, com poucas variações, um aumento na Probabilidade de Ciclagem do padrão. Esta, geralmente, estabilizou-se em um valor, gerando patamares. Patamares com PC's acima de 0,9 e até mesmo com a PC máxima (1,0) foram atingidos em maior número pelas simulações com módulos de auto-conexão maiores que o das conexões com seus vizinhos.