Una nuova era negli algoritmi di apprendimento ispirati al cervello

I ricercatori dell'Unità di Dinamica delle Reti Cerebrali del MRC e del Dipartimento di Informatica dell'Università di Oxford hanno svelato un principio rivoluzionario che getta luce su come il cervello umano si adatti e regoli le connessioni tra i neuroni durante l'apprendimento. 

Questa scoperta non solo migliora la nostra comprensione dell'apprendimento all'interno delle reti cerebrali, ma ha anche il potenziale per ispirare lo sviluppo di algoritmi di apprendimento più veloci e robusti nell'intelligenza artificiale (AI).

Principio di apprendimento cerebrale: Configurazione prospettica

L'essenza dell'apprendimento risiede nell'identificare quali componenti nella pipeline di elaborazione delle informazioni sono responsabili degli errori di output. Nell'AI, questo viene realizzato attraverso la retropropagazione, in cui i parametri di un modello vengono regolati per minimizzare gli errori di output.

È stato ampiamente creduto che il cervello umano impieghi un principio di apprendimento simile. Tuttavia, il cervello biologico supera i sistemi attuali di apprendimento automatico in diversi aspetti.

Ad esempio, gli umani possono imparare nuove informazioni dopo averle incontrate una sola volta, mentre i sistemi artificiali spesso richiedono centinaia di ripetizioni con gli stessi dati per comprenderle. Inoltre, gli umani possono acquisire nuove conoscenze mantenendo le informazioni esistenti, mentre l'introduzione di nuovi dati nelle reti neurali artificiali può interferire e degradare le conoscenze esistenti.

Queste osservazioni hanno spinto i ricercatori a cercare il principio fondamentale che governa il processo di apprendimento del cervello. Hanno esaminato insiemi esistenti di equazioni matematiche che descrivono i cambiamenti nel comportamento neuronale e nelle connessioni sinaptiche e hanno condotto analisi e simulazioni approfondite. Ciò che hanno scoperto ha sfidato la saggezza prevalente.

Nelle reti neurali artificiali, gli algoritmi esterni mirano a modificare le connessioni sinaptiche per minimizzare gli errori, ma i ricercatori propongono che il cervello umano prima stabilisca l'attività dei neuroni in una configurazione ottimale ed equilibrata prima di regolare le connessioni sinaptiche. 

Questo approccio unico, definito "configurazione prospettica", è considerato una caratteristica efficiente dell'apprendimento umano, che riduce l'interferenza e preserva le conoscenze esistenti, accelerando così il processo di apprendimento.

Simulazione e validazione

I ricercatori hanno supportato le loro scoperte con simulazioni al computer, dimostrando che i modelli che impiegano la configurazione prospettica hanno ottenuto risultati migliori rispetto alle reti neurali artificiali in compiti comunemente affrontati da animali e esseri umani in ambienti naturali.

Per illustrare il concetto, i ricercatori hanno utilizzato l'esempio di un orso che pesca il salmone. In una rete neurale artificiale, se l'orso perde la capacità di udire il fiume (a causa di un danno all'orecchio), perderebbe anche la capacità di annusare il salmone, portando alla conclusione errata che non ci sia salmone nel fiume. 

Tuttavia, nel cervello animale, l'assenza di suoni non interferisce con la conoscenza che l'odore del salmone è ancora presente, permettendo all'orso di continuare la sua caccia con successo.

Colmare il divario

Il ricercatore principale, Professor Rafal Bogacz, del MRC Brain Network Dynamics Unit e del Nuffield Department of Clinical Neurosciences dell'Università di Oxford, ha sottolineato la necessità di colmare il divario tra modelli astratti e la nostra comprensione dell'anatomia del cervello. La ricerca futura mira a svelare come l'algoritmo della configurazione prospettica venga implementato nelle reti corticali identificate anatomicamente.

Il Dr. Yuhang Song, primo autore dello studio, ha evidenziato le sfide dell'implementazione della configurazione prospettica nei computer esistenti a causa delle differenze fondamentali tra i sistemi informatici e il cervello biologico. Ha invitato a sviluppare un nuovo computer o un hardware dedicato ispirato al cervello, in grado di implementare rapidamente ed energeticamente la configurazione prospettica.