Structural generalization and continual learning enabled by factorized entorhinal-hippocampal memory and entorhinal-parietal action circuits
Questo studio dimostra che un modello computazionale che combina uno scaffold metrico entorinale-ippocampale indipendente dal contenuto con una rete di policy d'azione fattorizzata entorinale-parietale replica con successo le capacità umane e delle scimmie di raggiungere una generalizzazione mnemonica, transitiva e strutturale flessibile, consentendo al contempo l'apprendimento continuo senza l'oblio catastrofico.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Per navigare nel mondo, il cervello umano compie un'impresa di ingegneria che rimane insuperata dalle reti neurali ricorrenti standard in compiti di navigazione specifici. Esso deve ricordare luoghi particolari — un caffè preferito, una casa d'infanzia — mentre simultaneamente comprende le regole astratte del funzionamento dello spazio, permettendoci di applicare tale conoscenza a una nuova città che non abbiamo mai visitato. Questa capacità si basa su due sistemi distinti ma connessi nel cervello. Un sistema, centrato nell'ippocampo, agisce come un archivio ad alta capacità per eventi e luoghi specifici, memorizzando i dettagli unici di ciò che abbiamo visto. L'altro sistema, che coinvolge la corteccia entorinale, fornisce una griglia universale, un sistema di coordinate mentali che misura distanza e direzione indipendentemente da ciò che viene effettivamente guardato. Sebbene gli scienziati sappiano da tempo che questi sistemi esistono, è rimasto un mistero come essi lavorino insieme per permetterci di apprendere rapidamente, generalizzare a nuove situazioni e ricordare tutto senza sovrascrivere i vecchi ricordi.
Un team di ricercatori del MIT e di altri istituti ha ora svelato gli strati di questo mistero testando come esseri umani, scimmie e modelli informatici gestiscono una specifica sfida di navigazione. Hanno progettato un compito in cui i soggetti dovevano muoversi attraverso una sequenza di immagini, come pietre di guado, da un'immagine di partenza a un'immagine target. I ricercatori hanno testato tre livelli di difficoltà. Primo, hanno chiesto ai soggetti di navigare con indizi visivi, poi senza di essi, costringendo il cervello a simulare il viaggio internamente. Secondo, hanno testato se i soggetti potessero navigare tra coppie di immagini che non avevano mai praticato prima. Terzo, hanno introdotto set di immagini completamente nuovi per vedere se il cervello potesse trasferire le sue abilità di navigazione a un ambiente completamente nuovo. I risultati sono stati netti: mentre gli esseri umani e le scimmie hanno dominato tutte e tre le sfide con facilità, i modelli standard di reti neurali ricorrenti sono falliti completamente. Tuttavia, quando i ricercatori hanno costruito un nuovo tipo di modello informatico che imitava l'architettura specifica del cervello — separando la "mappa" dalla "memoria" — esso ha avuto successo laddove gli altri erano falliti.
L'esperimento è iniziato con una configurazione semplice. Volontari umani e due scimmie sedevano davanti a uno schermo che visualizzava una linea fissa di immagini, come una serie di oggetti distinti. Venivano loro forniti un'immagine di partenza e un'immagine target e dovevano usare un joystick per muoversi attraverso la sequenza fino a raggiungere l'obiettivo. Nella prima fase, le immagini scorrevano, fornendo un feedback visivo costante. Una volta che i soggetti avessero imparato l'ordine delle immagini, i ricercatori hanno rimosso gli indizi visivi. I soggetti dovevano ora muovere il joystick mentre lo schermo diventava buio, affidandosi interamente al proprio senso interno di quanto avessero viaggiato. Questo è noto come navigazione mentale. I soggetti l'hanno eseguita senza sforzo, dimostrando di aver costruito una mappa mentale della sequenza. Successivamente, i ricercatori hanno testato la generalizzazione transitiva chiedendo ai soggetti di navigare tra punti di partenza e di arrivo che non avevano mai praticato insieme. Infine, hanno introdotto un terzo ambiente con un set di immagini completamente diverso per testare la generalizzazione strutturale.
La prestazione dei soggetti biologici è stata straordinaria. Gli esseri umani e le scimmie non solo hanno navigato i nuovi percorsi e i nuovi ambienti con un'elevata precisione, ma hanno anche mantenuto la loro capacità di navigare nell'ambiente originale senza dimenticarlo. Questa mancanza di "oblio catastrofico" è una caratteristica critica dell'apprendimento biologico che i sistemi artificiali faticano a replicare. Quando i ricercatori hanno cercato di replicare questo comportamento utilizzando le reti neurali ricorrenti standard, questi modelli sono falliti a ogni test. Potevano apprendere il compito visivo con il feedback, ma nel momento in cui gli indizi visivi venivano rimossi, o il percorso cambiava, o l'ambiente era nuovo, i modelli crollavano. Non potevano generalizzare, né ricordare le vecchie lezioni mentre apprendevano nuove cose.
La svolta è avvenuta quando i ricercatori hanno costruito un modello che rispecchiava la struttura proposta dal cervello. Questo modello, che chiamano Vector-HaSH augmented Action policy, consiste in due parti principali che lavorano in tandem. La prima parte è un'impalcatura di memoria strutturata basata sulle cellule a griglia. Pensate a questo come a un righello rigido e indipendente dal contenuto che misura distanza e direzione. Non gli importa quali siano le immagini; gli importa solo dello spazio tra di esse. La seconda parte è una rete di policy che impara come muoversi in base alla distanza misurata dal righello. Poiché il righello è fisso e universale, la policy appresa in un ambiente può essere applicata immediatamente a un nuovo ambiente. Il modello lega le nuove immagini a questo righello usando un processo di apprendimento rapido e unico, proprio come l'ippocampo del cervello.
Quando questo nuovo modello è stato testato, ha riprodotto l'intera gamma di comportamenti umani e delle scimmie. Ha navigato senza feedback visivo, ha affrontato percorsi inediti e si è adattato a nuovi ambienti istantaneamente, il tutto ricordando i precedenti. I ricercatori hanno poi esaminato l'interno del modello per vedere come funzionasse e hanno confrontato la sua attività interna con i segnali elettrici reali registrati dai cervelli delle scimmie durante il compito. Hanno trovato una corrispondenza precisa. Il modulo di "distanza" del modello, che tracciava quanto il soggetto fosse lontano dall'obiettivo, si comportava esattamente come i neuroni nella corteccia entorinale della scimmia. Il modulo di "azione" del modello, che decideva quando muoversi e quando fermarsi, corrispondeva all'attività nella corteccia parietale posteriore. Ciò ha confermato che il cervello probabilmente suddivide il compito della navigazione in due computazioni distinte: una che misura la distanza e un'altra che decide l'azione.
Una scoperta finale ha rivelato come il cervello calibra questo sistema. I ricercatori hanno scoperto che, affinché il modello funzioni perfettamente, deve apprendere un fattore di scala specifico per allineare il proprio righello interno con la spaziatura delle immagini. Se i segni del righello fossero troppo distanti o troppo vicini rispetto alle immagini, il modello avrebbe incontrato difficoltà. Tuttavia, quando al modello è stato permesso di regolare questo fattore di scala durante l'apprendimento, ha trovato rapidamente l'allineamento perfetto, proprio come fa il cervello. Ciò suggerisce che il cervello sintonizza attivamente il proprio senso interno di velocità e distanza per adattarsi alla struttura dell'ambiente che sta esplorando.
Lo studio conclude che la capacità del cervello di apprendere, generalizzare e ricordare non è il risultato di avere più dati o più potenza di elaborazione, ma di un design architettonico specifico. Separando la struttura invariante dello spazio dal contenuto specifico dell'esperienza, il cervello crea un sistema che è sia flessibile che stabile. Il circuito entorinale-ippocampale fornisce una metrica universale che permette al cervello di applicare le lezioni passate a nuove situazioni senza cancellare il passato. Questa fattorizzazione della memoria e dell'azione spiega come possiamo entrare in una nuova città, orientarci e ancora ricordare la strada per tornare a casa, un'impresa che i modelli standard di reti neurali ricorrenti non sono ancora riusciti a raggiungere.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.