Riportiamo integralmente l’articolo di Andrea Banino su “Nature” sul tema dell’intelligenza artificiale e del deep learning

Il deep learning, o apprendimento profondo è un approccio all’intelligenza artificiale che, ispirandosi alle reti neuronali del cervello, sta contribuendo a sviluppare diverse tecnologie, dall’analisi automatica dei video alla traduzione delle lingue. Ma può anche rivelare – con un curioso feedback – informazioni importanti su come funzionano le stesse reti neuronali naturali, aiutando in particolare a capire in che modo le rappresentazioni geometriche regolari dello spazio possono facilitare strategie flessibili di orientamento di un animale.

Lo dimostra un nuovo studio pubblicato su “Nature” da Andrea Banino che si occupa di intelligenza artificiale, interamente dedicato al funzionamento del deep learning.

Le reti di deep learning hanno la caratteristica di poter imparare a elaborare gli input per ottenere un risultato particolare. Sono definite “profonde” perché sono costituite da una gerarchia di unità computazionali ripetute in più strati. Ogni unità riceve input da unità simili nel livello a monte e invia i suoi output a quelle a valle.

Il deep learning dimostra le sue potenzialità quasi prodigiose in campo percettivo: per esempio, impara a scegliere un volto particolare analizzando, seguendo certe istruzioni, molte foto di persone diverse.

Pochi studi sono stati dedicati invece a cercare di riprodurre con il deep learning compiti complessi della mente degli animali, come l’orientamento nello spazio.

Nel cervello umano, le abilità di navigazione sono deputate a neuroni specializzati soprannominati anche neuroni GPS, la cui scoperta è valsa il Nobel a John O’Keefe, May-Britt Moser ed Edvard Moser nel 2014. Tra i neuroni GPS, presenti all’interno della formazione ippocampale – una regione che, negli esseri umani, è coinvolta nell’apprendimento spaziale, nella memoria autobiografica e nella conoscenza di informazioni generiche – particolarmente importanti sono i neuroni griglia.

Questi ultimi si attivano secondo uno schema spaziale regolare per aiutare esseri umani e altri animali a tenere traccia della loro posizione. Il loro principio di funzionamento è quindi noto, ma le loro specifiche funzioni computazionali sono state finora difficili da comprendere.

Basandosi sui principi delle reti di deep learning, Banino e colleghi hanno addestrato un agente artificiale – sostanzialmente un topolino virtuale, in grado d’imitare il comportamento basilare di un topo reale – a navigare in ambienti simulati non familiari. Dopo un certo periodo di apprendimento nella ricerca della strada da un punto A a un punto B in un labirinto, l’agente è diventato così competente da iniziare a prendere delle scorciatoie, proprio come farebbe un mammifero, superando in efficienza un essere umano esperto impegnato nello stesso compito.

I ricercatori hanno scoperto che queste sorprendenti capacità erano basate su uno schema di attivazione delle reti di deep learning molto simile a quella dei neuroni griglia.

Questa struttura non è stata imposta intenzionalmente e a priori dai ricercatori, ma è emersa in modo spontaneo, rafforzando le notevoli capacità dell’agente virtuale. Ciò dimostra che il ruolo dei neuroni griglia va in qualche modo oltre l’elaborazione di un segnale di posizione simile a quello del GPS e arriva a pianificare l’itinerario più diretto tra due punti, un po’ come fanno i programmi di navigazione come Google Maps, basandosi anche sulle coordinate GPS.

Lo studio aiuta a spiegare come i neuroni griglia riescano a codificare le informazioni spaziali. L’emergere di unità simili in una simulazione è un esempio impressionante di una potenzialità specifica del deep learning: inventare una rappresentazione interna originale, spesso non prevista, che aiuta a risolvere un compito.

(Credit: www.lescienze.it)

LEAVE A REPLY

Please enter your comment!
Please enter your name here

Questo sito usa Akismet per ridurre lo spam. Scopri come i tuoi dati vengono elaborati.