Quanto è complesso dal punto di vista computazionale un singolo neurone?

I nostri cervelli molli sembrano molto lontani dai chip di silicio solido nei processori dei computer, ma gli scienziati hanno una lunga storia di confronto tra i due. come Alan Turing mettilo nel 1952: “Non ci interessa il fatto che il cervello abbia la consistenza del porridge freddo”. In altre parole, non importa il mezzo, solo la capacità di calcolo.

Oggi, i più potenti sistemi di intelligenza artificiale utilizzano un tipo di apprendimento automatico chiamato deep learning. I loro algoritmi apprendono elaborando enormi quantità di dati attraverso strati nascosti di nodi interconnessi, denominati reti neurali profonde. Come suggerisce il nome, le reti neurali profonde sono state ispirate dalle vere reti neurali nel cervello, con i nodi modellati su neuroni reali o, almeno, da ciò che i neuroscienziati sapevano dei neuroni negli anni ’50, quando un influente modello di neuroni chiamato è nato il perceptron. Da allora, la nostra comprensione della complessità computazionale dei singoli neuroni si è notevolmente ampliata, quindi è noto che i neuroni biologici sono più complessi di quelli artificiali. Ma di quanto?

Per scoprirlo, David Beniaguev, Idan Segev e Michael Londra, tutti presso l’Università Ebraica di Gerusalemme, hanno addestrato una rete neurale profonda artificiale per imitare i calcoli di un neurone biologico simulato. Essi mostrato che una rete neurale profonda richiede da cinque a otto strati di “neuroni” interconnessi per rappresentare la complessità di un singolo neurone biologico.

Anche gli autori non si aspettavano una tale complessità. “Pensavo che sarebbe stato più semplice e più piccolo”, ha detto Beniaguev. Si aspettava che tre o quattro strati sarebbero stati sufficienti per catturare i calcoli eseguiti all’interno della cellula.

Timothy Lillicrap, che progetta algoritmi decisionali presso la società di intelligenza artificiale DeepMind di proprietà di Google, ha affermato che il nuovo risultato suggerisce che potrebbe essere necessario ripensare alla vecchia tradizione di confrontare liberamente un neurone nel cervello con un neurone nel contesto dell’apprendimento automatico. “Questo documento aiuta davvero a forzare il problema di pensarci più attentamente e di capire fino a che punto è possibile fare queste analogie”, ha detto.

L’analogia più elementare tra neuroni artificiali e reali riguarda il modo in cui gestiscono le informazioni in arrivo. Entrambi i tipi di neuroni ricevono segnali in ingresso e, in base a tali informazioni, decidono se inviare il proprio segnale ad altri neuroni. Sebbene i neuroni artificiali si basino su un semplice calcolo per prendere questa decisione, decenni di ricerche hanno dimostrato che il processo è molto più complicato nei neuroni biologici. I neuroscienziati computazionali usano una funzione input-output per modellare la relazione tra gli input ricevuti dai lunghi rami ad albero di un neurone biologico, chiamati dendriti, e la decisione del neurone di inviare un segnale.

Questa funzione è ciò che gli autori del nuovo lavoro hanno insegnato a imitare a una rete neurale profonda artificiale per determinarne la complessità. Hanno iniziato creando una massiccia simulazione della funzione input-output di un tipo di neurone con alberi distinti di rami dendritici nella parte superiore e inferiore, noto come neurone piramidale, dalla corteccia di un topo. Quindi hanno inserito la simulazione in una rete neurale profonda che aveva fino a 256 neuroni artificiali in ogni strato. Hanno continuato ad aumentare il numero di strati fino a raggiungere una precisione del 99% a livello di millisecondi tra l’input e l’output del neurone simulato. La rete neurale profonda ha predetto con successo il comportamento della funzione input-output del neurone con almeno cinque, ma non più di otto, strati artificiali. Nella maggior parte delle reti, ciò equivaleva a circa 1.000 neuroni artificiali per un solo neurone biologico.

I neuroscienziati ora sanno che la complessità computazionale di un singolo neurone, come il neurone piramidale a sinistra, si basa sui rami dendritici simili ad alberi, che sono bombardati da segnali in arrivo. Questi provocano cambiamenti di tensione locali, rappresentati dai colori che cambiano del neurone (rosso significa alta tensione, blu significa bassa tensione) prima che il neurone decida se inviare il proprio segnale chiamato “picco”. Questo ha punte tre volte, come mostrato dalle tracce dei singoli rami sulla destra, dove i colori rappresentano le posizioni dei dendriti dall’alto (rosso) al basso (blu).

Video: David Beniaguev

“[The result] forma un ponte dai neuroni biologici ai neuroni artificiali”, ha detto Andreas Tolias, neuroscienziato computazionale al Baylor College of Medicine.

Ma gli autori dello studio avvertono che non si tratta ancora di una corrispondenza diretta. “La relazione tra quanti strati hai in una rete neurale e la complessità della rete non è ovvia”, ha detto London. Quindi non possiamo davvero dire quanta più complessità si guadagna passando da, diciamo, quattro livelli a cinque. Né si può dire che la necessità di 1.000 neuroni artificiali significhi che un neurone biologico sia esattamente 1.000 volte più complesso. In definitiva, è possibile che l’utilizzo di un numero esponenziale di neuroni artificiali all’interno di ogni strato porti a una rete neurale profonda con un singolo strato, ma probabilmente richiederebbe molti più dati e tempo per l’apprendimento dell’algoritmo.

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *