Un singolo neurone artificiale ha insegnato a riconoscere centinaia di schemi

L'intelligenza artificiale è un campo nel mezzo di un cambiamento rapido ed entusiasmante. Ciò è in gran parte dovuto a una migliore comprensione di come funzionano le reti neurali e alla creazione di vasti database per aiutarli ad addestrarli. Il risultato sono macchine che sono improvvisamente migliorate in cose come il riconoscimento di volti e oggetti, compiti in cui gli esseri umani hanno sempre avuto il sopravvento (vedi Insegnare alle macchine per capirci).

Ma c'è un enigma al centro di queste scoperte. Sebbene le reti neurali siano apparentemente modellate sul modo in cui funziona il cervello umano, i neuroni artificiali che contengono non sono per niente come quelli al lavoro nel nostro software. I neuroni artificiali, ad esempio, generalmente hanno solo una manciata di sinapsi e mancano del tutto delle brevi estensioni nervose ramificate note come dendriti e delle migliaia di sinapsi che si formano lungo di esse. In effetti, nessuno sa davvero perché i neuroni reali abbiano così tante sinapsi.

Oggi, le cose cambiano grazie al lavoro di Jeff Hawkins e Subutai Ahmad presso Numenta, una startup della Silicon Valley focalizzata sulla comprensione e sullo sfruttamento dei principi alla base dell'elaborazione delle informazioni biologiche. La svolta che questi ragazzi hanno fatto è elaborare una nuova teoria che spieghi finalmente il ruolo del vasto numero di sinapsi nei neuroni reali e creare un modello basato su questa teoria che riproduca molti dei comportamenti intelligenti dei neuroni reali.

I veri neuroni sono costituiti da un corpo cellulare, noto come soma, che contiene il nucleo cellulare e dal quale si estendono numerosi dendriti vicini, o prossimali, nonché l'assone, una sottile proiezione simile a un cavo che può estendersi per molti centimetri per connettersi ad altri neuroni. Alla fine dell'assone ci sono un'altra serie di rami, noti come dendriti distali a causa della loro distanza dal soma.

I dendriti prossimali e distali creano tutti migliaia di connessioni, chiamate sinapsi, con gli assoni di altre cellule nervose. Queste connessioni influenzano notoriamente la velocità con cui la cellula nervosa produce segnali elettrici noti come picchi.

Il consenso è che i neuroni apprendono riconoscendo determinati schemi di connessione tra le sue sinapsi e si attivano quando vedono questo schema.

Ma mentre è facile capire come le sinapsi prossimali possano influenzare il corpo cellulare e la velocità di attivazione, è difficile capire come le sinapsi distali possano fare la stessa cosa, perché sono così lontane.

Hawkins e Ahmad ora dicono di sapere cosa sta succedendo. La loro nuova idea è che le sinapsi distali e prossimali svolgono ruoli completamente diversi nel processo di apprendimento. Le sinapsi prossimali svolgono il ruolo convenzionale di innescare l'attivazione della cellula quando si verificano determinati schemi di connessione.

Questo è il processo convenzionale di apprendimento. Mostriamo che un neurone può riconoscere centinaia di schemi anche in presenza di grandi quantità di rumore e variabilità fintanto che l'attività neurale complessiva è scarsa, affermano Hawkins e Ahmad.

Ma le sinapsi distali fanno qualcos'altro. Riconoscono anche quando sono presenti determinati schemi, ma non attivano l'attivazione. Al contrario, influenzano lo stato elettrico della cellula in un modo che rende più probabile lo sparo se si verifica un altro schema specifico. Quindi le sinapsi distali preparano la cellula all'arrivo di altri schemi. Oppure, come dicono Hawkins e Ahmad, queste sinapsi aiutano la cellula a prevedere quale sarà il prossimo schema percepito dalle sinapsi prossimali.

Questo è estremamente importante. Significa che oltre ad apprendere quando è presente uno schema specifico, la cellula apprende anche la sequenza in cui appaiono gli schemi. Mostriamo come una rete di neuroni con questa proprietà imparerà e richiamerà sequenze di schemi, dicono.

Inoltre, dimostrano che tutto questo funziona bene, anche in presenza di grandi quantità di rumore, come sempre accade nei sistemi biologici.

Questo è un nuovo modo significativo di pensare ai neuroni e uno che riproduce alcune delle caratteristiche chiave dell'elaborazione delle informazioni nel cervello umano. Ad esempio, Hawkins e Ahmad mostrano che questo sistema non ricorda ogni dettaglio di ogni modello in una sequenza, ma memorizza invece la differenza tra un modello e l'altro.

Quindi ciò che è importante non è la quantità totale di informazioni in un modello, ma la differenza tra questo modello e il successivo.

Questa è una proprietà interessante che può aiutare a spiegare un'altra caratteristica sconcertante della memoria umana chiamata chunking. Questa è l'osservazione che, in media, gli esseri umani possono memorizzare circa sette blocchi di informazioni nelle loro memorie di lavoro. Questi blocchi possono essere cose come cifre, lettere o persino parole, ma qualunque esse siano, gli esseri umani possono ricordarne solo sette (più o meno due!).

Ma ecco il punto: il contenuto informativo di una singola parola, come sinapsi, è significativamente maggiore del contenuto informativo di una singola cifra, come un 7. Il problema è che nessuno sa come il cervello riesca a contenere le informazioni in sette parole con la stessa facilità con cui contiene le informazioni in sette cifre.

Ma nel nuovo modello di Hawkins e Ahmad questo problema scompare. Il cervello non memorizza le informazioni relative alla parola o alla cifra, ma solo la differenza tra loro, che può essere significativamente inferiore. Ciò dovrebbe portare ad alcune ipotesi verificabili sulla natura della memoria.

Il nuovo modello porta anche ad altre ipotesi verificabili. Ad esempio, il modello funziona solo quando ci sono alcune sinapsi tra l'assone di un neurone e un dendrite di un altro. Se ci fossero troppe sinapsi, non sarebbe possibile distinguere uno schema da un altro e tutti gli schemi sembrerebbero uguali.

Se il modello di Hawkins e Ahmad è corretto, questo non può accadere nei neuroni reali. Per evitare che ciò accada, prevediamo l'esistenza di un meccanismo che scoraggia attivamente la formazione di sinapsi multiple dopo che ne è stata stabilita una, dicono.

Questa è una cosa insolita in biologia: un'ipotesi verificabile. Ma è sicuramente uno che offre ai neuroscienziati qualcosa da cercare con le loro lenti d'ingrandimento.

Un ultimo punto è che questo nuovo pensiero non viene da un ambiente accademico ma da una startup della Silicon Valley. Questa azienda è il frutto del cervello di Jeff Hawkins, un imprenditore, inventore e neuroscienziato. Hawkins ha inventato il Palm Pilot negli anni '90 e da allora ha rivolto la sua attenzione alle neuroscienze a tempo pieno.

Questa è una combinazione insolita di competenze, ma che rende molto probabile che vedremo questi nuovi neuroni artificiali al lavoro su problemi del mondo reale in un futuro non troppo lontano. Per inciso, Hawkins e Ahmad chiamano i loro nuovi giocattoli neuroni della memoria temporale gerarchica o neuroni HTM. Aspettati di sentire molto di più su di loro.

Rif: arxiv.org/abs/1511.00083 : Perché i neuroni hanno migliaia di sinapsi, una teoria della memoria di sequenza nella neocorteccia

nascondere