In un recente studio pubblicato su eLife, Blake Richards, ricercatore all’Università di Toronto in Canada, insieme ad altri colleghi, hanno creato un algoritmo che utilizza neuroni artificiali multi-compartimento, i quali potrebbero aiutare a capire come la neocorteccia ottimizza i processi neurali.

Il campo di ricerca dell’intelligenza artificiale

Messaggio pubblicitario Da sempre e in diversi modi, molti scienziati hanno sempre provato a comprendere come gli esseri umani apprendano, comprovando molte conoscenze nel campo neuroscientifico. Negli ultimi anni molta enfasi è data all’intelligenza artificiale (AI), campo di ricerca informatico e, ormai, anche neuroscientifico, come nuovo strumento di riproduzione e simulazione dei processi neurali. In tale contesto si trova il campo del deep learning, appartenente al machine learning, il quale a sua volta è una disciplina che costituisce il campo dell’IA.

Il deep learning (o letteralmente tradotto: apprendimento approfondito) consente di creare dei modelli di calcolo composti da più livelli di elaborazione per apprendere le rappresentazioni di dati con più livelli di astrazione. Questi metodi hanno notevolmente migliorato lo stato dell’arte nel riconoscimento vocale, riconoscimento di oggetti visivi, rilevamento di oggetti e molti altri domini come la scoperta di farmaci e la genomica. In profondità l’apprendimento scopre una struttura complessa in grandi set di dati usando l’algoritmo di backpropagation (o letteralmente tradotto: retropropagazione) per indicare come una macchina dovrebbe cambiare i parametri interni che vengono utilizzati per calcolare la rappresentazione in ogni livello dalla rappresentazione nel livello precedente (LeCun, Bengio & Hinton, 2015).

Un algoritmo che riproduce i processi neurali

In un recente studio pubblicato su eLife, Blake Richards, ricercatore all’Università di Toronto in Canada, insieme ad altri colleghi, hanno creato un algoritmo che utilizza neuroni artificiali multi-compartimento, i quali potrebbero aiutare a capire come la neocorteccia ottimizza i processi neurali.

“Questa idea di ricerca risale a diversi anni addietro quando pioneri dell’intelligenza artificiale come Geoffrey Hinton, fondatore del programma Learning in Machines & Brains cercarono, non solo di approfondire il campo dell’intelligenza artificiale, ma anche di capire come il cervello umano impara” dice il ricercatore Richards.

Nel 2000, Richards e Lillicrap, ricercatore presso DeepMind di Google, erano convinti che attraverso algoritmi basati sul deep learning si potesse individuare e ricreare qualcosa di realistico basato su come il cervello umano lavora; inoltre, a quel tempo, c’erano importanti sfide per testare l’idea e non era chiaro se il deep learning potesse raggiungere gli stessi livelli delle skills umane.

Attualmente, Richards e un numero di ricercatori stanno cercando un ponte che possa risolvere il gap tra le neuroscienze e l’AI. Questo lavoro si basa su recenti studi effettuati nel laboratorio di Yoshua Bengio, uno dei guru del “deep learning”, e su un algoritmo sviluppato da Lillicrap (2016) che non segue rigidamente alcune delle regole per la formazione delle reti neurali e per individuare un modo più biologicamente plausibile per addestrarle.

Combinando le intuizioni neurologiche con gli algoritmi esistenti, il team di Richards è stato in grado di creare un algoritmo migliore e più realistico per simulare come avviene l’apprendimento nel cervello.

“Molti di questi neuroni sono modellati ad albero, con radici in profondità nel cervello e rami vicini alla superficie. Ciò che è interessante è che queste radici ricevono un insieme diverso di input rispetto ai rami che si trovano in cima all’albero” sostiene Richards.

Usando questa conoscenza sulla struttura dei neuroni, Richards e i suoi collaboratori hanno costruito un modello che riceve segnali in compartimenti segregati. Queste sezioni permettono di simulare i neuroni in differenti modelli per collaborare, raggiungendo il deep learning.

“E’ soltanto una serie di simulazioni che ci potrebbe dire esattamente cosa sta facendo il nostro cervello, ma suggerisce abbastanza da giustificare un ulteriore esame sperimentale se il nostro cervello può usare lo stesso tipo di algoritmi che usano nell’intelligenza artificiale” continua Richards.

Messaggio pubblicitario In altri termini, i neuroni di tale modello ricevono informazioni sensoriali e feedback di ordine superiore in compartimenti separati elettronicamente, come avviene per i neuroni piramidali neocorticali responsabili del pensiero di ordine superiore.

Inoltre, il lavoro mostra che certi neuroni dei mammiferi hanno la forma e le proprietà elettriche che sono adattabili per il deep learning e rappresenta attualmente il modo più biologicamente realistico di come il cervello reale potrebbe effettuare il deep learning.

I neuroni neocorticali ad albero sono solo uno dei molti tipi di cellule nel cervello e la ricerca futura dovrebbe modellare diverse cellule cerebrali ed esaminare come potrebbero interagire insieme per raggiungere un “apprendimento profondo”.

“Se confermato, il legame tra forma neuronale e il deep learning potrebbe aiutarci a sviluppare migliori interfacce cervello-computer, permettendo alle persone di usare la loro attività cerebrale per controllare dispositivi come arti artificiali. Nonostante i progressi nell’informatica, siamo ancora superiori ai computer quando si tratta di apprendimento. Capire in che modo il nostro cervello mostra un apprendimento profondo potrebbe quindi aiutarci a sviluppare un’intelligenza artificiale migliore, più simile a quella umana in futuro” sostiene il neuroscienziato Richards.