🧠 neuroscience

Predictive learning with local plasticity in excitatory-inhibitory networks

Questo articolo dimostra che le reti ricorrenti eccitatorie-inibitorie con plasticità puramente locale, in particolare regole di tipo BCM, possono raggiungere l'inferenza predittiva e apprendere caratteristiche spazio-temporali sparse mantenendo i pesi su un manifold di coerenza, collegando così il codifica predittiva a meccanismi di circuito biologicamente plausibili senza richiedere rappresentazioni esplicite dell'errore.

Autori originali: Reis Aguiar, H., Hennig, M. H.

Pubblicato 2026-09-04

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Reis Aguiar, H., Hennig, M. H.

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

Il cervello umano è una vasta rete di miliardi di neuroni, che scambiano costantemente segnali e si connettono per dare un senso al mondo. Al cuore di questa attività ci sono due forze opposte: i segnali eccitatori che incoraggiano i neuroni a scattare e i segnali inibitori che li calmano. Per decenni, gli scienziati si sono chiesti come queste semplici interazioni locali permettano al cervello di compiere qualcosa di complesso come prevedere cosa accadrà dopo. Un'idea principale, chiamata codifica predittiva, suggerisce che il cervello stia sempre cercando di indovinare le cause dei suoi input sensoriali e presti attenzione solo alle sorprese. Tuttavia, un grande enigma è rimasto irrisolto: come può una rete biologica, che può regolare le proprie connessioni solo in base all'attività immediata delle cellule vicine, eseguire questo sofisticato gioco di indovinelli senza un computer centrale che calcoli gli errori?

Un nuovo studio dell'Università di Edimburgo offre una risposta convincente, mostrando come un tipo specifico di circuito neurale possa imparare a prevedere il futuro usando solo regole locali. I ricercatori hanno costruito un modello informatico di una rete in cui i neuroni eccitatori inviano segnali in avanti, mentre i neuroni inibitori forniscono un feedback per mantenere il sistema sotto controllo. Hanno scoperto che, affinché questa rete impari efficacemente, le connessioni tra i neuroni devono mantenere un equilibrio molto specifico. Se le connessioni eccitatorie si allontanano troppo da questo equilibrio, la rete non riesce a imparare i veri schemi dei dati. Il team ha scoperto che una particolare regola di apprendimento, simile a una osservata nei cervelli degli animali reali, mantiene naturalmente la rete in questo punto ideale. Questa regola permette alla rete di imparare da immagini statiche, come bordi e forme, e anche da video in movimento, dove può anticipare la direzione del movimento e persino colmare le parti mancanti di una sequenza quando l'input scompare.

I ricercatori hanno iniziato testando il loro modello su immagini statiche semplici, come barre incrociate o frammenti di fotografie naturali. Volevano vedere se la rete potesse imparare a scomporre queste immagini complesse nei loro elementi costruttivi fondamentali, come linee o bordi, senza essere istruita su cosa cercare. Hanno confrontato diversi modi in cui la rete poteva regolare le proprie connessioni. Alcuni metodi, che si basavano sulla semplice coincidenza tra i neuroni, causavano lo scivolamento della rete lontano dall'equilibrio ottimale, portando a un apprendimento disordinato e impreciso. Tuttavia, quando hanno utilizzato una regola che regola le connessioni in base a quanto bene l'attività corrente corrisponda a una previsione, la rete è rimasta perfettamente bilanciata. Questa specifica regola, che gli autori chiamano "regola predittiva", ha garantito che il feedback inibitorio corrispondesse sempre a ciò che era necessario per cancellare il rumore nell'input. Di conseguenza, la rete ha imparato a rappresentare le immagini utilizzando un insieme rado di caratteristiche, il che significa che solo pochi neuroni scattano alla volta per descrivere l'immagine, proprio come avviene nella corteccia visiva dei mammiferi.

Lo studio è andato oltre, aggiungendo uno strato temporale al modello. La vita reale non è solo una serie di immagini fisse; è un flusso continuo di eventi. Per simulare questo, i ricercatori hanno aggiunto un meccanismo in cui lo stato attuale della rete può influenzare il suo stato futuro, creando una forma di memoria. Quando hanno addestrato questa rete aggiornata su video di barre in movimento, essa ha imparato a rilevare non solo la forma dell'oggetto, ma anche la direzione in cui si stava muovendo. Sorprendentemente, la rete ha sviluppato la capacità di completare le sequenze. Se il video di una barra in movimento veniva improvvisamente oscurato, la rete continuava a "vedere" la barra muoversi nella stessa direzione, colmando il vuoto in base a ciò che aveva imparato. Ciò suggerisce che la rete avesse interiorizzato le regole del movimento e potesse farle procedere in avanti nella propria mente, una capacità cruciale per navigare nel mondo.

Per rendere il modello ancora più realistico, il team ha rimosso le pause artificiali tra i passaggi di apprendimento e ha lasciato che la rete imparasse da un flusso continuo di dati, proprio come fa un cervello vivente. In questa versione continua, la rete ha sviluppato modelli di attività fluidi e curvi piuttosto che commutazioni nette e rigide. Quando i ricercatori hanno stimolato questa rete con rumore casuale dopo che aveva terminato l'apprendimento, la rete ha riprodotto spontaneamente le sequenze viste in precedenza. Essa ciclava attraverso gli stessi schemi di attività, come se stesse ricordando un evento passato. Questi schemi formavano una struttura ad anello nello spazio di attività della rete, una forma che permette al sistema di rappresentare un singolo valore, come una direzione, in modo molto preciso. Questo comportamento rispecchia ciò che accade nell'ippocampo del cervello, dove gli animali riproducono i loro percorsi durante il riposo, suggerendo che le stesse regole di apprendimento locale potrebbero sottostare sia alla predizione che alla memoria.

Le scoperte sfidano la visione di lungo corso secondo cui il cervello abbia bisogno di speciali "neuroni di errore" per calcolare la differenza tra ciò che si aspetta e ciò che vede. Inveve, lo studio suggerisce che il cervello potrebbe semplicemente usare il disallineamento tra le sue previsioni interne e i segnali in entrata per regolare direttamente le proprie connessioni. I ricercatori hanno dimostrato che, mantenendo le parti eccitatorie e inibitorie del circuito in una relazione stretta e costante, la rete può eseguire inferenze complesse senza bisogno di un segnale di errore separato. Ciò implica che la plasticità, ovvero la capacità di cambiare, delle connessioni eccitatorie sia la chiave per la predizione. Lo studio fornisce un forte legame teorico tra le regole di apprendimento biologiche locali e il comportamento intelligente globale della predizione, suggerendo che la capacità del cervello di anticipare il futuro sia una naturale conseguenza del modo in cui i suoi circuiti mantengono l'equilibrio.

Riassunto Tecnico: Apprendimento Predittivo con Plasticità Locale in Reti Eccitatorie-Inibitorie

Definizione del Problema

Il codice predittivo offre un quadro normativo per comprendere il calcolo corticale, postulando che i circuiti neurali inferiscano cause latenti di input sensoriali riconciliando i dati con un modello generativo interno. Tuttavia, rimane un divario significativo nel spiegare come reti biologicamente plausibili, specificamente circuiti ricorrenti eccitatori-inibitori (E-I) con plasticità locale, possano supportare l'inferenza predittiva e l'apprendimento di rappresentazioni. Le classiche implementazioni del codice predittivo spesso si affidano a meccanismi non biologici, come pesi di feedback simmetrici, neuroni di errore espliciti o aggiornamenti non locali. Sebbene lavori precedenti abbiano dimostrato che le reti Hebbiane/anti-Hebbianhe possano apprendere rappresentazioni fattorizzate, è mancato un legame analitico esatto tra questi meccanismi locali plausibili e i principi della teoria del codice predittivo. Questo lavoro affronta la domanda se reti E-I con pura plasticità locale possano eseguire l'inferenza predittiva senza esplicite rappresentazioni di errore.

Metodologia

Gli autori propongono un circuito E-I ricorrente in cui l'apprendimento è guidato da regole di plasticità locale derivate da un obiettivo di codice predittivo.

Quadro Teorico

Il modello assume che i dati sensoriali $x$ siano generati da cause latenti $y$ tramite un modello generativo lineare $x = Dy + \epsilon$ con un prior fattorizzato $p(y)$ . L'obiettivo di apprendimento è minimizzare la funzione di energia congiunta (log-verosimiglianza negativa):
$E(y, x; D) = \frac{1}{2}\|x - Dy\|^2_2 + \phi(y)$
dove $\phi(y)$ rappresenta l'energia del prior.

Gli autori introducono un'architettura di rete Hebbiana/anti-Hebbiana con:

Pesi eccitatori feed-forward ( $W$ ): Approssimazione di $D^\top$ .
Pesi inibitori ricorrenti ( $M$ ): Approssimazione del secondo momento del codice latente $E[yy^\top]$ .

Il Manifold di Consistenza

Un contributo teorico centrale è l'identificazione di un manifold di consistenza (superficie di coerenza). Affinché la dinamica della rete sia equivalente all'obiettivo del codice predittivo, l'inibizione ricorrente deve corrispondere all'inibizione richiesta dall'obiettivo. Ciò richiede la condizione $M \approx WW^\top$ .
Gli autori derivano che, affinché la rete apprenda in modo ottimale, i pesi devono rimanere su un manifold dove i pesi feed-forward predicono la dinamica inibitoria ( $Wx = y$ ). Se questa condizione viene violata, il codice latente viene inferito sotto un panorama di energia perturbato, portando a un apprendimento subottimale.

Regole di Plasticità

L'articolo confronta diverse regole di plasticità locale per i pesi eccitatori $W$ :

Regola Predittiva: Derivata per mantenere esattamente la condizione di consistenza sotto un prior Gaussiano. L'aggiornamento è proporzionale all'errore di consistenza $e = y - Wx$ :
$W \leftarrow W + \eta(y - Wx)x^\top$
Questa regola svanisce quando la condizione di consistenza è soddisfatta, mantenendo i pesi sul manifold.
Regola Hebbiana (con decadimento dei pesi): $W \leftarrow W + \eta(yx^\top - W)$ . Gli autori mostrano che questa regola spinge i pesi fuori dal manifold di consistenza perché il termine di correzione include una componente $W(xx^\top - I)$ che è non nulla per singoli campioni.
Regola simile a BCM: Una regola Bienenstock-Cooper-Munro con una soglia dipendente dall'attività.
Regole di Oja e Földiák: Alternative standard per la normalizzazione e la decorrelazione.

Setup Sperimentale

Gli autori hanno testato queste regole su:

Caso Gaussiano Lineare: Dati Gaussiani 2D non bianchi (non whitened) e dataset "crossed-bars" per verificare la bianchezza (whitening) e la consistenza.
Caso Non-Gaussiano: Compiti di sparse coding con crossed-bars, MNIST e patch di ImageNet con prior esponenziali (che richiedono rettificazione).
Dinamiche Temporali: Introduzione di eccitazione ricorrente ritardata ( $P$ ) per modellare dati sequenziali (moving bars, moving MNIST, video naturali CATCAM).
Modello Continuo: Una rete E-I tempo-continua con popolazioni eccitatorie e inibitorie separate, che implementa aggiornamenti asincroni e il principio di Dale, utilizzando una regola simile a BCM.

Risultati Chiave

1. Legame Analitico e la Regola Predittiva

Gli autori stabiliscono che l'apprendimento nei circuiti E-I richiede che i pesi rimangano sul manifold di consistenza. La regola predittiva è mostrata analiticamente capace di mantenere questa condizione esattamente per i prior Gaussiani. Al contrario, la classica regola Hebbiana, pur essendo ottimale per adattare i pesi inibitori, spinge i pesi eccitatori lontano dal manifold, portando a deriva e soluzioni subottimali.

2. Apprendimento sotto Prior Non-Gaussiani

Sotto prior non-gaussiani (sparsi), la condizione di consistenza non può essere soddisfatta esattamente a causa della non-linearità e dei vincoli sui pesi. Tuttavia, i risultati empirici mostrano che:

La regola predittiva e la regola simile a BCM mantengono i pesi sufficientemente vicini al manifold di consistenza per apprendere caratteristiche sparse e fattorizzate ottimali (es. rilevatori di bordi).
Queste regole risultano in errori di ricostruzione inferiori e una migliore decorrelazione dei codici latenti rispetto alle regole Hebbiane, Oja o Földiák.
La regola BCM, che dipende dalla differenza tra l'attività post-sinaptica e una soglia mobile, approssima efficacementmente il comportamento della regola predittiva.

3. Apprendimento Spazio-Temporale e Completamento di Sequenze

Aggiungendo l'eccitazione ricorrente ( $P$ ) per modellare le dipendenze temporali:

Le reti apprendono fattori spazio-temporali, sviluppando selettività di direzione da video naturali (CATCAM).
Le reti acquisiscono la capacità di completare sequenze parzialmente osservate. Quando gli input vengono oscurati, la dinamica ricorrente continua i pattern di movimento appresi.
Sia le regole predittive che quelle BCM superano le regole Hebbiane standard nei compiti di completamento di sequenze e negli indici di selettività di direzione.

4. Dinamiche Continue e Strutture ad Attrattore

Nel modello continuo, tempo-continuo con aggiornamenti asincroni:

La rete sviluppa strutture simili ad attrattori a bassa dimensionalità.
Stimolare la rete addestrata con rumore induce il replay delle sequenze spazio-temporali apprese.
Le traiettorie di attività formano strutture ad anello nello spazio a bassa dimensionalità, coerentemente con le osservate dinamiche di popolazione neurale (es. nell'ippocampo e nella corteccia visiva).
Il modello sviluppa curve di sintonizzazione (tuning curves) lisce piuttosto che rilevatori di fattori discreti, somigliando alle risposte neurali biologiche.

Significato e Rivendicazioni

L'articolo sostiene di colmare il divario tra le teorie normative del codice predittivo e i meccanismi di circuito locali biologicamente plausibili. I suoi contributi primari sono:

Assenza di Rappresentazione Esplicita dell'Errore: Il lavoro dimostra che l'inferenza predittiva non richiede espliciti "neuroni di errore" o feedback simmetrici. Invece, gli errori di predizione sono assorbiti nella regola locale di aggiornamento sinaptico come la discrepanza tra l'attività inferita ricorrentemente e le predizioni feed-forward.
Ruolo Normativo di BCM: I risultati suggeriscono un ruolo normativo per la plasticità di tipo BCM nelle sinapsi eccitatorie, mostrando come essa approssimi efficacementamente la regola predittiva ottimale necessaria per mantenere il manifold di consistenza.
Ottimizzazione dei Circuiti Locali: Fornisce un meccanismo attraverso il quale le regole di plasticità locale possono auto-organizzare i circuiti E-I per eseguire l'inferenza probabilistica e l'apprendimento di rappresentazioni, collegando direttamente la dinamica sinaptica all'ottimizzazione di un modello generativo.
Predizioni Sperimentali: Gli autori propongono che la plasticità eccitatoria debba dipendere dal mismatch tra l'attività inferita ricorrentemente e quella predetta dal feed-forward. Suggeriscono che manipolare l'inibizione ricorrente possa alterare l'entità o il segno della plasticità eccitatoria e la sparsità delle rappresentazioni apprese, offrendo ipotesi testabili per i sistemi sensoriali.

Gli autori rimangono modesti riguardo ai limiti, notando che l'approssimazione della stima puntuale (MAP) potrebbe faticare con input ambigui e che l'equivalenza esatta all'energia del codice predittivo richiede condizioni idealizzate (input bianchi, dati centrati) che sono solo approssimativamente soddisfatte in contesti non-gaussiani o continui. Tuttavia, le scoperte offrono una visione unificata di come la plasticità locale supporti il calcolo corticale.