La nuova frontiera dei neuroni artificiali promette performance di grado elevatissimo, in quanto sarà possibile nel prossimo futuro poter contrastare malattie degenerative come l’Alzheimer, che purtroppo vanno a intaccare i preziosissimi collegamenti elettrici tra i neuroni. Se come sembra auspicabile, sarà possibile intervenire e controllare l’infinitamente piccolo, si potrà arrivare al controllo delle sinapsi celebrali tramite neuroni artificiali, i quali interagiscono tramite reti neurali, in tal modo diventerà realtà il recupero del cognitivo nei soggetti affetti da malattie degenerative di tale parte della persona. La tecnica scientifica per penetrare all’interno delle sinapsi è ancora avvolta da molto mistero, anche se in realtà riguarda una branca scientifica della fisica, che studia l’infinitamente piccolo dei quanti, per cui si lavorerà con gli spettri della luce fino ad arrivare al singolo fotone. Si dovrà ancora sperimentare molto per poter penetrare con un fotone nel cervello umano, la strada da percorrere della ricerca è ancora molto lunga e insidiosa, ma il sentiero della scienza è tracciato e si arriverà un giorno non lontano a poter curare o prevenire le malattie degenerative della sfera del cognitivo umano.
Cosa sono e come funzionano i neuroni artificiali
I neuroni naturali sono costituiti da dendriti, assoni, il nucleo e le terminazioni filamentose. Gli impulsi elettrici corrono tramite tali filamenti e comunicano le varie tipologie dei movimenti, del parlato o di altre sfere dell’ambito cognitivo.
All’Università di Stanford è stata portata avanti una sperimentazione, di cui i risultati scientifici sono stati pubblicati sulla rivista scientifica Science, quindi i ricercatori hanno modificato le cellule nervose rendendole in grado di utilizzare materiali artificiali per realizzare una specie di armatura che modifica la velocità con cui si conducono gli impulsi nervosi. Di fatto è possibile rivestire i neuroni con una “corazza” artificiale, per poterli plasmare in modo di riattivare gli impulsi elettrici della rete neuronale.
Come spiega chiaramente il coordinatore dello studio, Karl Deisseroth: “Abbiamo trasformato le cellule in piccoli ingegneri chimici, questi neuroni usano i materiali che noi forniamo loro per costruire strutture artificiali fatte di polimeri che modificano la funzionalità del neurone stesso in maniera specifica”.
Tali esperimenti sono stati condotti su cellule coltivate in vitro del cervello di un mammifero oppure all’interno del sistema nervoso dei vermi. I ricercatori sono partiti andando a modificare il Dna delle cellule nervose, inserendo le istruzioni genetiche necessarie a produrre un particolare enzima chiamato Apex2, il quale unito all’acqua ossigenata ha consentito la fusione con altri materiali, in modo tale da creare una corazza polimerica, che può avere una duplice caratteristica contrastante, ossia essere conduttiva o isolante per gli impulsi elettrici, il risultato sono dei movimenti più lenti o più veloci dei vermi o del mammifero, quindi tutto dipende dal tipo di molecole costruttrici fornite ai neuroni stessi.
Il ruolo dei neuroni artificiali nelle reti neurali del futuro
Le reti neurali artificiali sono modelli matematici composti da neuroni artificiali, che si ispirano al funzionamento dei neuroni di un cervello biologico. Un neurone riceve stimoli da altri neuroni, li integra e si eccita trasmettendo il suo potenziale sotto forma di impulso elettrico ad altri neuroni. Si può considerare una rete neurale come una scatola nera, con degli input, degli strati intermedi che elaborano gli input, e degli output che escono fuori dopo l’elaborazione. La rete neurale è composta da nodi detti neuroni, collegati in strati successivi mediante connessioni pesate, ossia si tratta di valori numerici moltiplicati per il singolo valore del neurone collegato. Il neurone singolo somma i valori pesati di tutti i neuroni ad esso collegati e aggiunge un valore di “bias” cognitivo di conferma, per poi trasmettere il risultato allo strato successivo, lungo un percorso che va dai neuroni di input ai neuroni di output.
Le reti neurali si possono utilizzare per simulazioni finanziarie, per il riconoscimento di immagini e del parlato, per le simulazioni biologiche e del meteo, per delle diagnosi mediche, delle analisi di dati, dei controlli di qualità, e in tutti quei campi che hanno l’esigenza di avere di grandi capacità di analisi e di calcolo, per poter gestire grandi flussi di dati con un elevato numero di variabili.
Utilizzando le reti neurali bisogna tener conto dei loro limiti, in quanto l’elaborazione avviene negli strati nascosti (hidden layers), per cui non è possibile sapere come le reti siano giunte a un risultato, che può essere anche impreciso e approssimativo. Bisogna tener conto del periodo più o meno lungo di apprendimento, che dipende dalla complessità dei problemi, evitando o semplificando i problemi, che presentano una quantità eccessiva di variabili. Le reti neurali più recenti adottano neuroni a cambiamento di fase, avvicinandosi quasi al funzionamento dei neuroni naturali. Questi neuroni utilizzano materiali che assumono contemporaneamente uno stato amorfo non strutturato e uno cristallino, e man mano che acquisiscono dati si strutturano.
Tali neuroni sono particolarmente adatti per il riconoscimento di immagini e per evidenziare anomalie e diversità in grandi flussi di dati. Affinché questo processo risulti performante è necessario “addestrare le reti neurali”, ossia fare in modo che apprendano come comportarsi nel momento, in cui andrà risolto un problema ingegneristico, come per esempio il riconoscimento di un essere umano dall’analisi delle immagini, attraverso per esempio la tecnologia del riconoscimento facciale.
Il tema dell’apprendimento invece è collegato al Machine Learning, ossia algoritmi che utilizzano metodi matematico-computazionali per apprendere informazioni dall’esperienza, quindi in modo automatico, metodico e adattivo.
I principali modelli di apprendimento in uso oggi sono di quattro tipi, apprendimento supervisionato (Supervised Learning), apprendimento non supervisionato (Unsupervised Learning), apprendimento per rinforzo, apprendimento semi-supervisionato.
Con l’apprendimento supervisionato (Supervised Learning), all’algoritmo vengono forniti sia set di dati come input sia le informazioni relative ai risultati desiderati, con l’obiettivo che la rete identifichi una regola generale, che possa collegare i dati in ingresso con quelli in uscita; ossia vengono forniti degli esempi di input e di output in modo che il sistema impari il nesso tra loro e ne estrapoli una regola riutilizzabile per altri compiti simili.
Nell’apprendimento non supervisionato (Unsupervised Learning), al sistema vengono forniti solo set di dati senza alcuna indicazione del risultato desiderato. Lo scopo di questo secondo metodo di apprendimento è poter “risalire” a schemi e modelli nascosti, ossia identificare negli input una struttura logica senza che questi siano preventivamente catalogati.
L’apprendimento per rinforzo (reinforced learning) è il caso, in cui il sistema deve interagire con un ambiente dinamico, che gli consente di avere i dati di input, per poter raggiungere un obiettivo, al raggiungimento del quale riceve una ricompensa, imparando anche dagli errori, che sono identificati medianti “punizioni”. Il comportamento e le prestazioni del sistema sono determinate da una routine di apprendimento basata su ricompensa e punizione.
L’ultimo tipo di apprendimento semi-supervisionato è un modello “ibrido” dove al computer viene fornito un set di dati incompleti per l’allenamento/apprendimento; alcuni di questi input sono “dotati” dei rispettivi esempi di output, come nell’apprendimento supervisionato, altri invece ne sono privi, come nell’apprendimento non supervisionato. L’obiettivo, di fondo, è sempre lo stesso: identificare regole e funzioni per la risoluzione dei problemi, nonché modelli e strutture di dati utili a raggiungere determinati obiettivi.
Quindi le reti neurali del futuro saranno delle palestre di apprendimento per sviluppare nel migliore dei modi la sfera del cognitivo, sia essa costituita da neuroni biologici che artificiali.
Note:
Ella Maru Studio and Yoon Seok Kim/Jia Liu, Deisseroth/Bao laboratories, Stanford University
Mirror neurons and cognitive and motoric functions L. Fogassi Gior Neuropsich Età Evol 2008;28:329-350
Iacoboni M, Woods RP, Brass M, Bekkering H, Mazziotta JC, Rizzolatti G. Cortical mechanisms of human imitation. Science. 1999 Dec 24;286(5449):2526-8. doi: 10.1126/science.286.5449.2526. PMID: 10617472.
