Dallo studio della potenza di calcolo del singolo neurone, deep neural networks più vicine ai meccanismi del cervello biologico

La ricerca attuale lavora a una nuova infrastruttura artificiale di deep learning, ancora più vicina ai meccanismi neurali del cervello umano e ai suoi processi cognitivi.

TAKEAWAY

  • Allo stato attuale, la capacità di una deep neural network è limitata al compito specifico che le viene chiesto di svolgere: un sistema addestrato a identificare i gatti non è in grado di identificare i cani.
  • Negli ultimi decenni, le neuroscienze hanno scoperto che i singoli neuroni sono costituiti da un complesso sistema di ramificazioni, con molteplici sottoregioni. Tali strutture implicano che un singolo neurone possa, dunque, comportarsi come una rete estesa, in cui ogni sottoregione ha la propria funzione input-output locale.
  • È da questa base che prende il via un recente studio sulla comprensione della potenza di calcolo del singolo neurone, con l’obiettivo di sviluppare una nuova infrastruttura artificiale di deep learning che vada ancora di più nella direzione del cervello umano.

Deep learning e deep neural networks, dove il primo – detto anche “apprendimento profondo” – è un segmento di ricerca del machine learning e del più ampio ambito di studi dell’intelligenza artificiale e consiste in modelli di apprendimento ispirati al funzionamento del cervello umano.

Il metodo di allenamento sul quale poggia il deep learning – lo ricordiamo – non è strettamente basato sulla relazione tra input e output (come accade nell’apprendimento automatico), quanto su un sistema che utilizza gli input per arrivare a emulare i processi e i meccanismi del cervello biologico. E le reti neurali sono reti strutturate di neuroni artificiali che consentono di implementare azioni complesse tipiche della cognizione umana.

Ebbene, il deep learning si basa sulle cosiddette “reti neurali profonde” (deep neural networks), caratterizzate da un numero elevato di strati di calcolo, a loro volta basati su un numero altrettanto elevato di livelli, tale da richiedere uno sforzo computazionale significativo per ottenere uno scenario simile alle connessioni neurali proprie del cervello umano.

Allo stato attuale – osserva Idan Segev, ricercatore all’Edmond e Lily Safra Center for Brain Science (ELSC), in seno all’Università Ebraica di Gerusalemme – nelle deep neural networks ogni neurone artificiale risponde ai dati di input (sinapsi) con uno “0” o un “1”, in base alla forza sinaptica che riceve dallo strato precedente. E, in base a tale forza, la sinapsi invia (eccita) o trattiene (inibisce) un segnale ai neuroni dello strato successivo, i quali elaborano i dati che hanno ricevuto e trasferiscono l’output alle cellule del livello successivo. E via con questo processo.

Ad esempio, una rete neurale profonda allenata a riconoscere i gatti (e non altri animali), quando ne vede uno risponde con “1” all’ultimo neurone di output (ovvero al neurone più profondo) e con “0” in caso contrario.

La capacità di ciascuna deep neural network – prosegue Segev – è limitata al compito specifico che le viene chiesto di svolgere. Per cui, un sistema addestrato a identificare i gatti non è in grado di identificare i cani. Inoltre, è necessario disporre di un sistema dedicato per rilevare la connessione tra i miagolii e i gatti.

Deep learning e deep neural networks: lo studio dell’Università Ebraica di Gerusalemme

Tuttavia, negli ultimi decenni – spiega il docente – le neuroscienze hanno scoperto che i singoli neuroni biologici sono costituiti da un complesso sistema di ramificazioni, contenente molteplici sottoregioni funzionali.

Tali strutture ramificate, insieme alle molte sinapsi sulle loro superfici distribuite, implicano che i singoli neuroni possano comportarsi come una rete estesa, in cui ogni sottoregione ha la propria funzione input-output locale, cioè non lineare.

È da questa base che ha preso il via lo studio presso il già citato Ateneo di Gerusalemme, il cui obiettivo è comprendere in modo sistematico la potenza di calcolo di un singolo neurone. Mappare l’input-output di un solo neurone per molti input sinaptici, allo scopo di esaminare quanto dovrebbe essere “profonda” un’analoga rete neurale per replicare le caratteristiche di I/O dello stesso neurone: Idan Segev, Michael London e David Beniaguev, dell’ ELSC, hanno intrapreso questa sfida, pubblicandone gli esiti sulla rivista scientifica Neuron.

L’obiettivo di tale ricerca in tema di deep learning e deep neural networks è capire come le singole cellule nervose – “i mattoni del cervello” – traducono gli input sinaptici nella loro “uscita elettrica”. Ma qual è la ragione ultima? Approfondisce il professor Segev:

Intendiamo sviluppare un nuovo tipo di infrastruttura artificiale di deep learning, che vada ancora di più nella direzione del cervello umano, simulandone i meccanismi profondi. La nuova deep neural network che proponiamo è costruita da neuroni artificiali in cui ciascuno è profondo 5-7 strati. E queste singole unità sono collegate, tramite sinapsi artificiali, agli strati superiori e agli strati inferiori

Focus sulla capacità di elaborare e correlare tra loro stimoli diversi

In materia di deep learning e deep neural networks, quello che i ricercatori israeliani hanno cercato di fare è stato sviluppare una tecnica di apprendimento profondo dalle abilità più simili a quelle del cervello biologico, tra cui la capacità di elaborare e di correlare tra loro stimoli diversi e – tornando al precedente esempio del gatto – di poter riconoscere contemporaneamente più aspetti dello stesso animale (il suo verso, la sensazione tattile del suo pelo, alcune particolarità del suo aspetto) e tradurli in significato. “Capacità in cui eccelle il cervello umano e che il deep learning non è ancora capace di emulare” sottolinea il gruppo di studio.

L’approccio è consistito nel creare un modello computerizzato in grado di replicare al meglio le proprietà I/O dei singoli neuroni del cervello. E, per fare ciò, i ricercatori si sono basati sulla modellazione matematica dei singoli neuroni, ossia su una serie di equazioni differenziali sviluppate, in particolare, da Idan Segev e Michael London

Questo ha consentito loro di simulare accuratamente i processi elettrici dettagliati che avvengono in diverse regioni del neurone simulato e di mappare al meglio la complessa trasformazione della raffica di input sinaptici e la corrente elettrica che producono attraverso la struttura ad albero della singola cellula nervosa. Questo è stato il modello sul quale ha lavorato il team nello sviluppare una deep neural network che replicasse l’I/O del singolo neurone simulato.

Deep learning e deep neural networks: gli scenari aperti dalla ricerca israeliana

Reti di deep learning come quella sviluppata dai ricercatori dell’Università Ebraica di Gerusalemme gettano le basi per processi di apprendimento più complessi ed efficienti. Si tratta, naturalmente, di un lavoro in itinere, che necessita di perfezionamento e di una ricerca continua, avverte Segev. Questo è soltanto l’inizio.

Un tale sistema di intelligenza artificiale non significherebbe solo cambiare la rappresentazione dei singoli neuroni nella rispettiva rete neurale artificiale, ma anche combinare, nella rete stessa, le caratteristiche dei diversi tipi di neuroni, proprio come avviene nel cervello biologico. “L’obiettivo finale è creare una replica computerizzata delle funzionalità, delle abilità e della diversità del cervello dell’essere umano, per arrivare a una vera intelligenza artificiale“.

E – come riflessione ultima – questo inedito studio in tema di deep learning e deep neural networks, offrendo la possibilità di mappare la potenza di elaborazione dei diversi tipi di neuroni e di confrontarli tra loro, per giungere allo sviluppo di un modello informatico basato su un approccio di deep learning che simula in modo così accurato la funzione cerebrale, fornisce una nuova comprensione del cervello e di noi stessi, conclude il team.

Default image
Paola Cozzi
Giornalista dal solido background acquisito lavorando presso i più prestigiosi Editori italiani | Ventidue anni di esperienza nello sviluppo di prodotti editoriali b2b, cartacei e digitali | Vent'anni alla direzione di una testata b2b in tema di Sicurezza anticrimine di tipo fisico | Attualmente si dedica al Giornalismo Digitale ed esplora nuove tecniche e nuovi stili di comunicazione
Articles: 151