Perché anche il cervello di una falena è più intelligente di un'IA

Una delle caratteristiche curiose delle reti neurali profonde alla base dell'apprendimento automatico è che sono sorprendentemente diverse dalle reti neurali nei sistemi biologici. Sebbene ci siano somiglianze, alcuni meccanismi critici di apprendimento automatico non hanno analoghi nel mondo naturale, dove l'apprendimento sembra avvenire in un modo diverso.

Queste differenze probabilmente spiegano perché i sistemi di apprendimento automatico sono così indietro rispetto a quelli naturali in alcuni aspetti delle prestazioni. Gli insetti, ad esempio, possono riconoscere gli odori dopo solo una manciata di esposizioni. Le macchine, d'altra parte, necessitano di enormi set di dati di addestramento per imparare. Gli informatici sperano che capire di più sulle forme naturali di apprendimento li aiuterà a colmare il divario.

Entrano Charles Delahunt e colleghi dell'Università di Washington a Seattle, che hanno creato una rete neurale artificiale che imita la struttura e il comportamento del sistema di apprendimento olfattivo in venerdì manduca falene. Dicono che il loro sistema fornisca alcune informazioni importanti sul modo in cui le reti naturali apprendono, con potenziali implicazioni per le macchine.

Prima un po' di background. Il sistema di apprendimento olfattivo nelle falene è relativamente semplice e ben mappato dai neuroscienziati. Si compone di cinque reti distinte che inviano le informazioni in avanti da una all'altra.

Il primo è un sistema di circa 30.000 recettori chimici che rilevano gli odori e inviano una serie di segnali piuttosto rumorosi al livello successivo, noto come lobo dell'antenna. Questo contiene circa 60 unità, note come glomeruli, che si concentrano ciascuna su odori specifici.

Il lobo dell'antenna invia quindi codici di odore neurale al corpo del fungo, che contiene circa 4.000 cellule kenyon e si pensa codifichi gli odori come ricordi.

Infine, il risultato viene letto da uno strato di neuroni estrinseci, il cui numero è 10s. Questi interpretano i segnali dal corpo del fungo come azioni, come volare sopravento.

Diversi aspetti di questo sistema sono completamente diversi da quelli che si trovano nelle reti di apprendimento automatico. Ad esempio, il lobo dell'antenna codifica le informazioni in uno spazio parametrico a bassa dimensione ma le invia al corpo del fungo, che lo codifica in uno spazio parametrico ad alta dimensione. Al contrario, gli strati nelle reti neurali artificiali tendono ad avere dimensioni simili.

E nelle falene, il riconoscimento riuscito di un odore innesca un meccanismo di ricompensa in cui i neuroni spruzzano un neurotrasmettitore chimico chiamato octopamina nel lobo dell'antenna e nel corpo del fungo.

Questa è una parte cruciale del processo di apprendimento. L'octopamina sembra aiutare a rafforzare il cablaggio neurale che porta al successo. È una parte fondamentale dell'apprendimento hebbiano, in cui le cellule che si attivano insieme si collegano tra loro. In effetti, i neuroscienziati sanno da tempo che le falene non imparano senza l'octopamina. Ma il ruolo che svolge non è ben compreso.

L'apprendimento nelle macchine è molto diverso. Si basa su un processo chiamato backpropagation, che modifica le connessioni neurali in modo da migliorare i risultati. Ma le informazioni viaggiano essenzialmente a ritroso attraverso la rete in questo processo e non esiste un analogo noto in natura.

Per comprendere meglio il modo in cui le falene imparano, Delahunt e compagni hanno creato una rete neurale artificiale che imita il comportamento di quella naturale. Abbiamo costruito un modello computazionale end-to-end del venerdì manduca sistema olfattivo della falena che include l'interazione del lobo dell'antenna e del corpo del fungo sotto la stimolazione dell'octopamina, dicono.

Il modello è studiato appositamente per riprodurre il comportamento del sistema naturale ad ogni livello. In particolare, il modello simula i segnali rumorosi generati dai recettori degli odori e il cambiamento di dimensione mentre le informazioni fluiscono dal lobo dell'antenna al corpo del fungo e include un analogo del ruolo svolto dall'octopamina.

E i risultati costituiscono una lettura interessante. Il modello mostra come i recettori degli odori producono un segnale rumoroso che viene preamplificato dal lobo dell'antenna. Tuttavia, il cambiamento di dimensione quando il segnale viaggia verso il corpo del fungo ha l'effetto di rimuovere il rumore e ciò consente al sistema di generare segnali di azione specifici e non ambigui come volare sopravento.

Anche il ruolo dell'octopamina sembra più chiaro. Le simulazioni mostrano che l'apprendimento può avvenire senza octopamina, ma è così lento da essere effettivamente inutile. Ciò implica che l'octopamina agisce come un potente acceleratore dell'apprendimento.

Ma il modo in cui lo fa è ancora in discussione. Delahunt e compagni hanno le loro idee. Forse è un meccanismo che consente alla falena di aggirare i vincoli organici intrinseci sulla crescita hebbiana di nuove sinapsi, vincoli che altrimenti limiterebbero la falena a un tasso di apprendimento inaccettabilmente lento, suggeriscono.

L'octopamina ha anche un altro ruolo. L'apprendimento di Hebbian rafforza solo le connessioni che già esistono e ciò solleva la questione di come si verificano nuovi cablaggi. Delahunt e compagni affermano che l'octopamina apre nuovi canali di trasmissione per il cablaggio. Questo espande lo spazio delle soluzioni che il sistema può esplorare durante l'apprendimento, dicono.

E la cosa più impressionante è che la rete simulata apprende in modo simile alla rete naturale. Il nostro modello è in grado di apprendere in modo robusto nuovi odori e le nostre simulazioni di neuroni di integrazione e attivazione corrispondono alle caratteristiche statistiche dei dati sulla frequenza di attivazione in vivo, affermano Delahunt e co.

Questo lavoro potrebbe avere implicazioni significative per la progettazione di reti neurali sintetiche che devono apprendere rapidamente. Dal punto di vista dell'apprendimento automatico, il modello produce meccanismi bioispirati che sono potenzialmente utili nella costruzione di reti neurali per un apprendimento rapido da pochissimi campioni, afferma il team.

Quindi le reti di apprendimento automatico del futuro potrebbero presto contenere versioni simulate di octopamina e altri neurotrasmettitori.

Naturalmente, non è solo nell'apprendimento che i neurotrasmettitori sono importanti. I neuroscienziati sono ben consapevoli del ruolo che svolgono nelle emozioni, nella regolazione dell'umore e così via. Qui si trova un'altra strada di ricerca che i team di apprendimento automatico saranno interessati a esplorare.

Rif: arxiv.org/abs/1802.02678 : Meccanismi biologici per l'apprendimento: un modello computazionale di apprendimento olfattivo nella falena Manduca sexta, con applicazioni alle reti neurali

nascondere