Sei sulla pagina 1di 5

©2009 Neuroscienze.

net
Journal of Neuroscience, Psychology and Cognitive Science

On-line date: 2009-07-03

Computazione Biologica e Simulazione Neurale


Neurone Biologico nei Paradigmi delle Reti Neurali Artificali

di Francesco Carlino

Keywords: Rete Neurale Artificiale, ANN, Neurotech ,neurone, sinapsi


Permalink: http://www.neuroscienze.net/index.asp?pid=idart&cat=3&arid=586

Abstract
Questi ultimi anni sono stati caratterizzati da un sempre maggiore interesse verso la simulazione
(software ed hardware) dei processi computazionali biologici ed è ormai dimostrato che un
automa può acquisire nuove esperienze e generalizzarle. Una macchina può quindi essere
liberata dall'eseguire in maniera rigida e schematica regole in essa programmate. Attraverso
l'implementazione di algoritmi di simulazione neurale è possibile impartire ad una macchina un
apprendimento per esempi e poi constatare che a fronte di nuovi target l'automa è in grado di
classificarli secondo una delle categorie già apprese.

La simulazione (in genere software) delle reti neurali rappresenta un approccio relativamente
recente alle questioni cognitive legate all'intelligenza. Quando si parla di reti neurali ci si riferisce
ad un mondo di teorie ed applicazioni assai vasto del quale è difficile descriverne gli aspetti
comuni. Sicuramente il minimo comun denominatore tra le tante tipologie di reti neurali va
ricercato nel tentativo di simulare matematicamente alcuni "aspetti" della computazione biologica
così da poter replicare quelle caratteristiche, connesse all'intelligenza, come l'apprendimento, la
memoria ecc. Ovviamente l'enorme complessità dei sistemi nervosi animali ed in particolare
dell'uomo con 1011 neuroni e 1015 connessioni, costituisce un limite ancora insuperato della
simulazione, ma anche muovendosi in scale assai più ridotte è possibile replicare vari aspetti,
interessanti ed utili, della plasticità del cervello. Tale plasticità neuronale, pur essendo sempre
legata ad una impalcatura epigenetica, si manifesta nell'apprendimento che l'individuo sperimenta

Page 2/5
nel confronto continuo con il mondo. Il cervello, continuamente stimolatodal mondo degli agenti,
dimostra la propria plasticità sia con variazioni strutturali, connesse alla crescita di nuove fibre
nervose e nuove ramificazioni, sia con modificazioni chimiche legate alla variazione di
accoppiamento sinaptico. Le reti neurali artificiali simulano quasi esclusivamente la variazione
chimica dell'accoppiamento sinaptico attraverso la variazione dei pesi del neurone matematico,
anche se in qualità di ricercatore e direttore tecnico dellaNeurotech, ho (assieme al gruppo da me
coordinato)iniziato la sperimentazione di algoritmi neurali in grado di simulare la crescita di nuove
fibre nervose ritenendo questo aspetto fondamentale alla creazione di reti neurali di nuova
generazione. Ma il livello di simulazione matematica costituisce solamente la teoria delle reti
neurali, ad essa deve seguire la simulazione software ed hardware che si svolge su di un terreno
altrettanto complesso e spesso paradossale. Infatti i calcolatori digitali, legati alle regole della
logica digitale, vengono impiegati per simulare l'attività del neurone matematico che svolge, sul
segnale dell'input, un'operazione di trasformazione analogica ovvero un filtraggio additivo del
segnale. Quindi partendo dal concetto di neurone, che costituisce l'oggetto elementare, si
costruisce una grande complessità di interconnessione nella quale viene simulata la distribuzione
dei processi di retroazione. Ciò che viene realizzato è quindi un algoritmo connessionista che
simula la non linearitàdella trasformazione dell'informazione. Questo significa che l'informazione
nella simulazione delle reti neurali viene distribuita e scomposta ad un livello sub simbolico,
diversamente dalla logica dei calcolatori digitali che hanno un approccio simbolico con la
conoscenza ed il mondo. L'approccio storico delle reti neurali si basa quindi sulle leggi di
attivazione e modificazione del neurone biologico codificate dalla ricerca neurofisiologica. Sulla
base dei risultati sperimentali delle neuroscienze, sono stati sviluppati, negli anni,modelli
matematici in grado di simulare alcune caratteristiche elementari dei tessuti neuronali quali
l'apprendimento, la memoria, il riconoscimento ecc. Basandosi su concetti d'ispirazione biologica,
la struttura dei modelli di simulazione neurale si è differenziata profondamente dagli algoritmi di
calcolo tradizionale. I calcolatori digitali basati sugli assiomi di Von Neumann, interpretano il
calcolo come un processo sequenziale e fortemente centralizzato, ma la struttura celebrale
altamente connessionista ha suggerito un'idea di calcolo parallelo. Il neurone matematico in
similitudine alle cellule nervose distribuisce e memorizza l'informazione attraverso una funzione di
trasferimento non lineare all'interno dell'intero sistema delle interconnessioni. Il primo approccio
alle questioni connesse all'intelligenza artificiale si era ispirato alla struttura del calcolatore come
modello di funzionamento del cervello. Il risultato di un siffatto parallelismo sottintendeva l'idea di
un centro di elaborazione delle attività celebrali in similitudine al Central Processing Unit. Ma la
negazione di tale assunto, da parte delle ricerche neurofisiologiche, ha aperto le porte ad un
approccio totalmente nuovo e rivoluzionario alla questione. Lo studio delle reti neurali artificiali sta
portando avanti l'idea che il cervello possa costituire da modello per il calcolatore. L'informazione
nel cervello non è centralizzata in una specifica area ma viene distribuita in ogni suo componente.
Seguendo questo schema, le unità di elaborazione artificiali si differenziano negli strati d'ingresso
e di uscita in quanto utilizzano pesi di connessione sinaptica variabili. In questa variabilità dei pesi
di accoppiamento viene distribuita l'informazione ed elaborata attraverso le funzioni di
trasferimento che propagano e retropropagano l'input sino a trasformarlo in output. Sicuramente
l'utilizzo più importante delle reti neurali è legato al riconoscimento di pattern sia visivi che
acustici. Questo genere di applicazioni hanno primariamente mostrato i limiti della
programmazione tradizionale e successivamente hanno dimostrato le potenzialità della
simulazione neurale. Attraverso il modo in cui è affrontato il problema del riconoscimento dei
pattern, in relazione all'apprendimento di tali forme, è possibile distinguere le reti neurali artificiali
in due famiglie. Abbiamo da un lato le reti neurali ad apprendimento supervisionato e dall'altro le
reti neurali ad apprendimento non supervisionato. Nelle reti supervisionate l'apprendimento è
vincolato ad un supervisore, ovvero ad un istruttore esterno in grado di pianificare

Page 3/5
l'apprendimento sotto forma di esempi. Il supervisore fornisce un esempio di pattern ed un target
ovvero l'uscita ideale che la rete dovrebbe avere su quel pattern ad apprendimento ultimato. Nella
fase di apprendimento il supervisore non fornisce regole (che potrebbe non conoscere) ma
esempi la cui correttezza è nota. L'eventuale distanza tra la risposta della rete e il target proposto
viene rielaborata dalla rete attraverso un processo di retroazione che ha lo scopo di far
avvicinare, in successive iterazioni, l'uscita al target. Nelle reti non supervisionate è la rete stessa
che forma delle associazioni tra i pattern creandosi delle rappresentazioni interne. Il neurone è
l'unità cellulare fondamentale del sistema nervoso e la sua simulazione rappresenta la struttura
fondamentale delle reti neurali artificiali . La struttura fisiologica del neurone è costituita da una
corpo centrale, il "soma" , (nel quale è contenuto il citoplasma) che può assumere forma
piramidale, rotondeggiante ecc. e dimensioni variabili tra 5 e 120 µm. Il neurone è dotato di
due tipologie di diramazioni dette rispettivamente dendriti ed assone. I dendriti ampliano la
superficie cellulare aumentando le possibilità di connessioni afferenti con altre cellule; l'assone
porta ad altre cellule l'impulso nervoso generato tra i dendriti ed il soma. L'interconnessione tra
neurone e neurone è infine mediato dalla sinapsi: una struttura in grado di trasmettere l'impulso
nervoso tramite lo scambio biochimico di neurotrasmettitori. Il neurone tipicamente simulato nelle
reti neurali artificiali è la cellula piramidale. Tale cellula è composta da un corpo cellulare di forma
triangolare (da cui il nome piramidale), da un lungo assone ed un albero di ramificazioni
dendritiche. Il corpo della cellula è rivestito da una membrana che, attraverso numerosi canali
microscopici, consente la comunicazione di ioni positivi e negativi tra l'interno e l'esterno della
cellula. L'apertura e la chiusura di tali canali dipende principalmente dagli input ricevuti dalle altre
cellule. Tramite le diramazioni dendritiche, la cellula riceve i segnali provenienti da altre cellule.
Questi segnali, come già accennato, non sono inviati direttamente alla cellula ma mediati dalle
sinapsi che connettono agli assoni delle altre cellule. L'albero dendritico ha il compito quindi di
raccogliere gli input provenienti da molte cellule e di integrarli per trasmetterli all'interno della
cellula. Gli input che la cellula riceve possono essere sia di tipo eccitatorio che di tipo inibitorio.
Molto genericamente si può schematizzare il fenomeno dicendo che se la cellula viene eccitata
dagli stimoli oltre una certa soglia allora scaricherà il segnale lungo l'assone alle cellule
interconnesse. Tale segnale sarà costituito da una serie di brevi impulsi elettrici con frequenza
proporzionale all'eccitazione della cellula, in genere tra i 100 e i 500 impulsi al secondo. I neuroni
mantengono comunque un'attività spontanea di 10 impulsi al secondo anche quando non sono
eccitati o inibiti. Il segnale viene trasmesso dall'assone del neurone al dendrite di un altro neurone
tramite le sinapsi il cui numero può variare da alcune centinaia a molte migliaia. La sinapsi
modula la trasmissione dell'impulso al neurone ricevente in modo tale che il segnale ricevuto
dipenderà dall'intensità dell'impulso afferente per il valore dell'efficacia sinaptica. Numerose
osservazioni sulla neurofisiologia del neurone hanno dimostrato che le variazioni dell'efficacia
sinaptica gioca un ruolo importante nel fenomeno della memoria. Sulla base delle osservazioni
sperimentali nate in seno alla neurofisiologia si vennevia,via affermando una modellizzazione che
sembrava suggerire che tra le due cellule nervose interconnesse l'impulso nervoso fosse sempre
completo o nullo. Sulla base di questa modellizzazione, nel 1943 McCulloch e Pitts proposero
una schematizzazione della cellula nervosa che è tutt'ora (nonostante i molti contributi al
riguardo) alla base dell'equazione di attivazione utilizzata nella simulazione neurale. Il neurone
veniva matematicamente descritto come un sistema a soglia binaria con uscita a due stadi 0 ed
1.

Bibliografia

Rosenblatt, F. (1962). Principles of Neurodynamics, New York, Spartan Books.


Minsky, M. & Papert, S. (1969), Perceptrons. Cambridge, MA: MIT Press.

Page 4/5
Haykin, S. (1998). Neural Network: A Comprehensive Foundation. Prentice Hall, Englewood
Cliffs, NJ.
Nilsson, N.J. (1998). Intelligenza Artificiale. Milano: APOGEO

Page 5/5